认知无线电(CR)是一种智能无线电通信系统，它为解决逐渐增长无线业务需求与频谱资源缺乏的矛盾提供了一个可行的思路。智能学习推理作为认知无线电的核心技术，对有效利用频谱资源，满足用户需求，改善通信系统性能起决定性作用。认知无线电智能学习技术的核心主要体现在认知引擎设计上。CR认知引擎的设计可引入人工智能领域的学习与推理方法，认知引擎通过学习与推理方法来实现CR通信参数的重配置。本文主要研究认知无线网络的离线学习技术，主要包括CR认知引擎的学习，推理和决策。具体工作总结如下：第一，提出基于离散均匀分配遗传算法-Discrete uniform genetic algorithm（DUGA）的CR优化引擎设计方法。CR参数调整是典型的多目标优化问题，本文在考虑MAC和PHY层联合的基础上，提出基于DUGA的CR参数优化引擎设计方法。同传统的遗传算法比较，DUGA采用离散均匀分配原则，克服轮盘算法陷入局部最优的缺点，交叉、变异，并逐步迭代以实现种群多样性和快速收敛性。通过MATLAB对测试函数的仿真，验证了DUGA的有效性。将建立的CR参数优化引擎应用于CR通信场景中，NS2仿真结果表明本文建立的优化引擎能有效提高系统的吞吐量，改善节点发送功率。第二，本文将RBF神经网络有效应用于CR认知引擎设计中，提出基于RBF神经网络的多层网络学习模型。该学习模型不同于传统的神经网络学习模型，本文的学习模型分为外层和内层网络，将全局参数和局部参数学习隔离开，由认知信息的流通驱动外层到内层的信息流，可以提高网络的学习预测能力，减少网络的学习时间，提高网络对环境的适应能力。通过NS2平台仿真CR通信系统，采集数据，并用作网络训练的感知样本。感知信息用于训练测试外层和内层网络。两层网络的主要功能为：外层神经网络学习全局参数路由协议的重配置；内层神经网络学习对应该协议下的局部通信参数的重配置。外层网络和内层网络通过认知信息的流通联系起来。多层学习模型对感知信息进行学习推理，并根据业务需求和网络目标输出决策出适合当前网络的工作参数配置。重配置通信系统，仿真结果表明，该多层学习推理模型能有效适应环境变化，满足用户需求。第三，结合前期研究工作的基础，建立两种智能学习技术设计的认知引擎算法模型，即RS-RBF和GA-RBF的CR认知引擎学习模型。该学习模型将粗糙集和遗传算法与RBF_NN相结合，并应用于CR认知引擎设计中。RS能有效处理通信系统中参数的冗余性，不确定性和不完整性，减少学习模型运行的存储空间，提高网络的训练速度。RBF网络学习过程中，工作参数的选取是凭经验的，导致网络的适应性受到影响，通过GA迭代寻求网络的工作参数，可以有效提高网络的适应性。通过NS2仿真平台模拟无线通信系统，采集训练模型的感知信息，并分别将数据导入学习模型。仿真结果表明，该学习模型能有效实现CR学习重构功能，满足用户需求，提高网络的适应性。