认知无线电是一种能自动感知周围环境并检测到空闲频谱的新技术，快速和准确的检测到频谱空穴技术是目前研究的一个热点。由于实际环境是动态变化的，所以自适应动态环境变化的频谱检测是目前研究的难点之一。本文围绕怎么自适应快速准确的检测频谱空穴展开研究。针对大规模认知无线电网络中协同频谱感知存在的感知时间长、能量消耗过多，缺乏自适应能力等问题，提出了一种基于分簇协同的Q-学习频谱感知算法。该算法首先利用分簇机制，把大规模的认知无线电环境变成小规模的簇内环境，分簇后簇内采用协同Q-学习，通过代理在与环境交互过程中不断试错来确定频谱检测的最佳门限值，使系统具有自主学习的能力。实验结果表明：大规模环境下系统的检测性能有显著提高。传统的压缩采样方式中，假设被检测信号是稀疏的。然而，实际的认知无线电网络中，环境是动态变化的，稀疏性也是动态变化的。本文提出了基于Q-学习的自适应压缩采样（QACS）算法。该算法并不需要信号的稀疏度作为先验条件，它可以根据稀疏性的变化，自适应的改变采样率，通过对不同采样率下信号重构结果的比较，得出当前最佳的采样率。当相邻的两个采样率重构的信号相同时，得到当前环境条件下最佳的采样率和最佳的重构信号。实验结果表明，基于Q-学习的自适应压缩采样算法，能显著的提高系统的检测性能。