随着无线通信技术的发展,认知无线电(CR)技术被用来提高频谱资源利用率。认知ad hoc网络(CRAHN)将CR扩展到了自组织网络域,进一步增强了ad hoc网络的频谱利用率和组网的灵活性,也提升了数据传输的可靠性。而跨层设计是改善通信链路端到端性能,提高CRAHN资源使用效率的重要手段。　　 认知学习是CRAHN跨层设计的核心,它要求通信网络能利用已知跨层环境参数进行知识提取学习,并根据需要重配置网络。本文首先提出了一种基于粗糙集的认知网络跨层设计模型,并构建了案例事件库、学习引擎、知识库、规则匹配器。该模型结合数据离散、属性约简、值约简与规则生成算法来解决CRAHN的跨层学习问题。其次通过典型测试数据集的仿真比较,选出一组适合于所提出模型的粗糙集算法集合。　　 基于NS2网络模拟器,本文首先将提出的跨层模型在静态链式网络中对退避机制进行重配置仿真,随后在随机移动网络和群主移动网络中对路由协议进行重配置仿真。结果表明,选出的算法集能有效解决CRAHN跨层学习中知识提取与规则生成的准确性及有效性等问题；提出的跨层设计模型能有效用于CRAHN中的认知学习；最终网络协议经重配置后提升了原有网络性能。