无线传感器网络作为新颖的信息获取和处理技术,具有低能耗、低成本、分布式和自组织的特点,已成为当前热点研究领域。在无线电传感器网络中引入认知无线电技术,能够有效解决无线传感器网络频谱资源受限的问题,它使传感器节点具有认知能力,能够智能地发现周围环境中的频谱空洞,然后调整参数动态接入,极大地提高频谱利用率。在认知无线电中,主要包括频谱感知、频谱决策与接入、频谱共享和频谱切换等技术,其中频谱感知进行频谱空洞的实时探测;频谱决策与接入为认知用户决定合适的频谱空洞;频谱共享解决多用户同时接入相同空闲信道问题;频谱切换则在需要更换信道时保障认知用户通信的持续性和服务质量。本论文主要研究将机器学习相关算法应用于认知无线电中的频谱感知与频谱接入技术,旨在通过学习的方法提高频谱感知精确度和频谱接入准确度,并降低资源消耗。首先,传感器节点具有低能耗、资源受限、续航时间短的特点,再引入认知无线电技术,会加剧资源消耗以支撑频谱感知等额外功能,极大地减少整个网络的寿命。为尽可能地降低资源消耗并提高感知精度,本文提出了一种基于聚类分析的频谱感知策略,利用认知用户感知结果的相似性,应用无监督学习聚类算法将其聚类,在每一类中选取感知精度最高的节点作为簇头,它代表剩余节点进行频谱感知,最后在类中共享感知信息,这样能减少整体频谱感知次数。仿真结果表明,本论文提出的基于聚类分析的频谱感知策略能在降低资源消耗的同时提高整个系统的检测概率。随后本文针对认知无线电传感器网络中的频谱接入问题,提出了一种基于强化学习的频谱接入策略。频谱接入的关键点在于避免干扰授权用户的同时,降低认知用户之间发生冲突的概率和力求最大化系统吞吐量。本文将认知无线电频谱接入问题抽象为强化学习过程,认知用户通过与环境交互反馈逐渐学习出最优频谱接入策略,智能地维护优选信道资源池,当选择此资源池中信道时会获得高收益,减少对授权用户的影响并避免随机接入降低系统性能。经过仿真实验性能验证,本文提出的基于强化学习的频谱接入策略能提高整个认知无线电网络的系统吞吐量。最后,本论文将机器学习与认知无线电技术相结合的概念符合无线传感器网络的发展趋势,有助于推动传感器网络在各领域广泛应用。