随着传感、处理以及通信设备日渐小型化与低成本化,认知无线传感器网络的应用领域不断扩展、应用服务不断更新。然而,频谱资源短缺问题以及节点能量受限的问题使得认知无线传感器网络的发展受到了一定的限制。本文针对这两大问题,以提升网络频谱效率与能量效率为目标,从动态频谱接入算法及频谱资源分配算法两个角度着手开展研究工作,主要工作和创新点总结如下:1、针对传统基于深度Q学习的动态频谱接入算法中重要经验利用率不高、维护记忆库能量消耗大、收敛速度慢等问题,本文提出了一种基于优先经验回放的深度Q学习认知无线传感器网络的动态频谱接入算法。该算法首先改变深度Q网络利用随机经验回放来打破样本间相关性的方式,对记忆库采用基于优先级回放的方式,能够充分利用更高可靠的经验,提高收敛速度。其次,该算法提出一种批量删除记忆库中不必要的经验的方法,在保证系统性能的同时减少维护记忆库所致的能量消耗,实现低消耗、低内存的维护记忆库方式。仿真结果表明,该算法在延长节点生命周期、降低主次用户的阻塞概率以及提高频谱效率等方面均优于基于双深度Q学习的频谱接入算法,并且该算法相比于传统的随机频谱接入算法,阻塞概率降低了6%-10%,吞吐量提高了18%-20%。2、针对具有射频能量收集功能的认知无线传感器网络在能量因果关系约束和碰撞约束的条件下传感器节点能量频繁中断的问题,本章节提出一种基于网络编码及射频能量收集优先的频谱资源分配算法。该算法首先将网络编码技术运用到传输过程中,旨在利用网络编码的分流作用均衡节点使用的能量。为了有效解决频谱感知、射频能量收集及数据传输三者之间的频谱资源分配问题,在此基础之上,该算法根据节点的能量状态及传输负荷建立射频能量收集优先的能量收集时间模型,并以最大化吞吐量为目标求解最优的频谱感知时间,以减少能量中断概率。仿真结果表明,该算法的能量中断概率与α及β静态分配算法、α及β联合分配算法相比,分别降低了5.3%-10.1%和2.25%-4.5%,并且在一定程度上提高了可达吞吐量。