由于无线电技术应用的领域越发广泛,无线电频谱的划分已经处于比较饱和的状态,很难找到空闲频段部署新的服务或改善现有服务。为了解决频谱资源紧缺的问题,可以引入认知无线电方法,允许感知用户二次使用已分配使用的频谱。这一方法使得频谱可以在时间和空间上得以充分的利用,有效的改善了当今频谱资源短缺的问题。在认知无线电中,为了保护授权用户,使其免受感知用户的干扰,需要感知用户能够可靠的获得此频谱在时间和空间上未被使用的信息。因此如何提高频谱感知准确率已经是认知无线电的一个研究重点。本文对基于深度无监督聚类的频谱感知算法展开研究。传统的频谱感知算法,需要依靠假设的信号噪声模型来进行设计,因此噪声概率函数估计的准确度和信号模型的正确性都会影响算法的性能。基于机器学习的频谱感知算法是由数据驱动的,不受此问题的影响,但是基于机器学习的频谱感知算法大部分都是基于监督学习的。监督学习需要通过大量含有标签的数据进行训练,但是在频谱感知场景中,大量获得含有标签的数据比较困难,这限制了监督学习在实际问题中的应用。而本文基于图嵌入的深度聚类模型提出了一种深度无监督聚类的频谱感知算法,首先将频谱感知问题转化为聚类问题,之后训练深度聚类网络对感知信号进行聚类,最后可以通过训练好的网络模型进行实时的频谱感知。本文研究贡献及创新点主要是提出了一个深度无监督聚类的频谱感知算法,该算法基于无监督聚类,无需任何信号和噪声的假设模型。该算法在训练阶段不需要含有标签的数据,只在确定分类簇类别和设计检测器时需要少量的标签数据,与其他基于监督学习的频谱感知算法相比,减轻了对含标签数据的需求。并且该算法结合了图嵌入和高斯混合自编码器的优点,可以将感知信号之间的相似度信息引入变分高斯混合自编码器中,在学习特征的同时进行聚类,相比于现有的非监督深度频谱感知算法具备更好的频谱感知能力。最后本文基于所提算法完成了实验仿真,分析了深度学习中各种超参数对深度频谱感知算法性能的影响,并与现有的几种频谱感知算法进行比较,实验结果表明,本文提出的算法频谱感知准确率明显提高。