随着自组织网络的飞速发展和无人机技术的日趋成熟,以无人机为载体的自组织网络凭借其可扩展性强、抗毁性好、灵活、成本低、不受空间限制等特点,在诸多特殊场景中得到应用。但是无人机自身的高速移动,网络拓扑的迅速变化,使用场景的复杂多变都给网络设计带来了新的挑战,尤其是在接入技术方面。现有的经典媒介接入控制(Media Access Control,MAC)协议,如时分多址(Time Division Multiple Access,TDMA)协议和载波侦听多址访问(Carrier Sense Multiple Access,CSMA)协议很难满足专用领域高可靠低时延的性能要求,因此在战术瞄准网络技术(Tactical Targeting Network Technology,TTNT)中使用的基于统计优先的多址接入(Statistical Priority-based Multiple Access)协议受到研究人员的青睐。本文以无人机自组织网络接入技术为背景,研究SPMA协议的关键问题,包括用排队论建模分析SPMA协议的性能和通过强化学习选取最优的SPMA协议参数集。接入协议的理论分析可以帮助了解协议参数对性能指标的影响和优化协议,但是现有的公开报道的文献中少有对SPMA协议性能的建模及分析。本文针对SPMA协议进行系统设计并提出了一种非抢占的M/M/1/K排队论模型来评估SPMA协议的性能,主要包括平均业务时延和平均业务丢包率两部分。通过分析信道分别被高低优先级业务占据时的状态转移过程得到状态转移方程,求出各稳态时的概率,进而得到考虑阈值和不考虑阈值两种情况下的性能。仿真实验结果表明,本文提出的排队论模型计算得到的性能和仿真平台的仿真结果基本吻合,误差在5%以内,验证了本文提出的理论模型的准确性。SPMA协议中参数众多,本文通过仿真展示了不同参数对协议性能的影响不同,且参数之间相互耦合制约,协议参数对SPMA系统性能的影响难以用数学表达式准确描述,因此无法用经典的最优化数学工具求出最优参数集。而传统的工程调参方法大多由有经验的工程师人为大量重复实验找到合适的参数集,时间成本高且效率低。本文针对这一问题,为SPMA通信系统设计实现了一套强化学习算法,包括系统状态、动作、奖励函数和Q值函数等,另外考虑到SPMA协议的性能难以被量化,无法评估性能优劣,专门定制了一套百分制的打分准则。本文以SPMA协议中优先级阈值参数集作为优化目标进行具体实验,将Q-learning算法得到的参数集和人为随机选取参数集分别配置SPMA通信系统进行性能比较,仿真结果表明本文提出的百分制打分准则简洁高效,可以通过该强化学习算法快速找到较好的参数集,使SPMA通信系统达到所需的性能指标。