随着无人机在应急通信、增强覆盖、遥感监测、军事对抗等诸多领域的广泛应用,无人机集群通信已成为学界和业界关注热点。但目前复杂环境下公共开放频谱的竞争使用模式和随机互扰特性难以保证无人机集群正常通信,优质频谱资源日益紧缺,制约着无人机快速发展。频谱感知是缓解频谱资源短缺问题的关键技术之一。从复杂环境下无人机集群呈现的噪声不确定性和网络拓扑结构变化性出发,深入研究相应的高效频谱感知算法具有重要意义。本文研究并探讨了无人机集群协同频谱感知算法,对现有频谱感知算法进行了分类总结,追踪了国内外相关研究进展,针对不同的无人机集群通信应用场景,提出了如下两种频谱感知方法,其主要研究内容如下:（1）在对频谱感知算法和无人机集群通信理论进行归纳的基础之上,针对无人机集群通信网络拓扑结构特点和应用环境,将无人机网络分为两种场景,并分析了设计无人机集群协同频谱感知算法时要面临的问题。（2）根据无人机集群网络拓扑结构不变场景下的特点,分析了现有无人机集群协同频谱感知算法中特征提取噪声鲁棒性不佳和阈值推导复杂的不足,本文在度量特征和K-Means聚类算法的基础之上,提出了一种基于度量特征和改进K-Means聚类的频谱感知算法。对K-Means聚类算法进行改进,根据距离特征的密度分布调整密度集区间,减小初始随机选取聚类中心造成的误差。仿真实验表明,该算法在无人机感知节点少且噪声干扰较大的环境中,有效提升了协同频谱感知性能,当信噪比大于10d B时,本算法的平均检测概率可达0.99。（3）针对无人机集群中无人机感知节点的时间移动性和网络拓扑结构变化的情景,根据固定时隙协同感知算法浪费频谱带宽资源,而序贯感知可根据感知结果动态调整检测时隙的特点,本文研究了基于最大最小距离分簇的序贯协同频谱感知算法。仿真实验表明,在基于结合无人机运动状态分簇处理数据和两步感知策略下,减少了无人机集群的协同感知时间,优化了现有序贯协同频谱感知算法感知性能,采用最大最小距离分簇处理数据与两步感知策略,相比于随机聚类法和最大节点度聚类法的平均检测概率高出0.2以上。