认知无线网络(Cognitive Radio Networks, CRN)是解决当前“频谱资源匮乏”问题的有效方法之一,近年来已成为通信领域的研究热点。该技术的基本思想是在保证授权用户(或主用户)一定服务质量的前提下,使非授权用户(或次用户)“伺机地”接入临时空闲的无线频段,从而使无线频谱资源得到更为充分、合理的利用。认知无线网络中的一项关键技术是频谱感知,用于发现无线网络环境中的空闲频谱资源。从网络分层的角度来看,频谱感知技术可以分为物理层频谱感知和MAC.层及跨层感知两类。其中,物理层频谱感知主要关注如何通过有效的信号检测算法,对信道的占用状况做出快速、准确的判断；而MAC层及跨层感知则是借鉴了跨层优化的思想,通过对感知参数和策略的选取及优化,来进一步提高物理层频谱感知的性能。目前,由于数字信号处理技术的先期发展,使得物理层频谱感知算法已具有了深厚的理论基础。相对而言,有关MAC层及跨层感知的研究还处于起步阶段。为此本文依托国家.863探索导向类项目“基于行为预测的认知网络资源优化分配技术”,基于现有的物理层频谱感知算法,对MAC层及跨层感知中多个重要感知参数和策略的选取方法进行了优化研究,其中主要包括：感知周期、感知时间长度、感知信道策略以及协作频谱感知中的融合参数。主要研究成果包括：(1)为提高多信道条件下的频谱资源检测率,提出了一种多信道协作频谱感知周期优化算法。通过分析频谱感知过程中可能影响次用户发现或使用空闲频谱资源的两种情况,基于连续时间马尔科夫理论推导出衡量多信道频谱资源检测率的目标函数,并将各信道感知周期的选取建模为一个带约束条件的多目标优化问题。在求解该多目标优化问题的过程中,为避免传统“权重法”所固有的主观因素对解的质量影响较大这一问题,文章采用了相对复杂的遗传算法对其求解。另外,为提高遗传算法在本文应用背景下的算法性能,文章还对其进行了改进,使算法的收敛速度以及最终解的质量均得到了较大提高。所提算法与现有主流算法的区别在于：在多信道感知周期的现有研究中,大多简单假设次用户是以相同的周期对各信道进行感知,而本文算法充分考虑了各授权信道间的负载差异,分别以不同的周期对其感知,从而使多信道条件下的频谱资源检测率得到了较大提高。(2)基于协作频谱感知的认知无线网络中,已有研究表明增加参与协作频谱感知的次用户数量能够提高感知性能以及信道的吞吐量。然而,由于信道容量的限制,次用户数量的不断增加并不会使信道吞吐量无限提高,反而会使次用户平均可获得的吞吐量不断降低。因此，本文认为认知无线网络的研究不能仅以提高频谱利用率为目标,还应考虑次用户平均可获得的吞吐量大小,即以次用户平均吞吐量作为认知无线网络性能的衡量标准更能直接体现次用户的利益。为此本文以最大化次用户平均吞吐量为目标,基于k/N融合准则,对感知时间和融合参数的选取方法进行了优化研究。证明了对于任意给定的融合参数,次用户的平均吞吐量是感知时间的凸函数,并基于该特性提出了交叉迭代算法进行二维优化。仿真结果表明,当信噪比为-10dB时,相对于仅考虑感知时间或融合参数的一维优化算法,所提算法可使次用户的平均吞吐量提高20%以上。(3)认知无线网络不仅要具有自适应性,更应具备一定的智能性。在未知无线环境参数以及网络动态特性的前提下,为使次用户能够从多个授权信道中选择吞吐量回报较高的信道优先进行感知,文章将强化学习理论引入到认知无线网络中,以最大化次用户吞吐量为目标,提出了一种基于强化学习的智能信道选择算法。该算法利用了强化学习理论中的在线交互式学习技术,使次用户仅通过不断与环境进行交互学习,便能够逐步改进其行为策略,使吞吐量回报逐渐得以提高。另外,该算法还借鉴了模拟退火算法的思想对信道的选择动作进行优化,使之能够从学习阶段平滑地过渡到使用阶段。仿真结果表明,相对于现有信道选择算法,本文算法可有效提高次用户的吞吐量,并且在主用户使用规律发生变化时,能够自动实现二次收敛,可作为认知无线电系统迈向智能化的一种尝试。(4)针对认知无线网络中次用户节点能量受限问题,文章引入能量传输效率作为评价次用户能量有效性的指标,并根据主用户非时隙返回信道可能与次用户发生碰撞的特点,基于连续时间马尔科夫理论对次用户的频谱感知和接入活动进行建模,提出了一种联合考虑感知时间和接入概率的能效优化算法。文中证明了的确存在最优的感知时间,能够使次用户的能量有效性达到最优。此外,基于最优感知时间,本文还提出了一种能量有效的频谱接入策略。区别于传统接入策略,次用户在发现空闲信道的情况下并不直接进行接入,而是先根据信道空闲时间的统计规律以及次用户的接入时间,计算接入后与返回主用户的碰撞概率,再依概率进行接入,从而使次用户的能量有效性得到了较大提高。