近几年来,随着认知传感网中接入设备数量的快速增长,传统的无线通信技术已经难以满足人们对高带宽、高速率通信服务的需求,认知传感网中的信道容量优化方法成为研究的热点。传统优化方法对目标函数限制多、复杂度高、收敛性难以确定,为了进一步提高优化的速度,可以利用粒子群算法等优化算法对信道容量优化问题进行求解。粒子群算法具有分布式并行计算的特点,能够极大的提高优化速度,但是在优化过程中,容易陷入局部最优区域。因此,论文主要针对如何解决基于粒子群算法的信道容量优化方法的早熟收敛问题方面展开研究,从算法参数和算法融合的角度,对粒子群算法进行改进,重点研究了两种基于改进粒子群算法的信道容量优化方法。首先,论文对认知传感网系统模型、信号模型、接收权重向量的选取以及一些相关的参数进行了研究。对信道容量优化问题进行了分析,并介绍了一些常用的信道容量优化方法,分别讨论了基于梯度搜索和粒子群算法的信道容量优化方法的基本原理,对这两种优化方法进行仿真对比分析。其次,论文从平衡全局搜索与局部搜索的角度,将标准粒子群算法参数固定的方式改进为动态调整的方式。具体讨论了几种种群收敛程度的评价指标,分析了算法中每个参数对搜索过程的影响,并结合粒子群当前的多样性指标,分别给出惯性权重和加速度因子的调整策略,基于此,论文提出了一种基于动态调整惯性权重加速度因子的信道容量优化方法。仿真结果表明基于动态调整惯性权重加速度因子的信道容量优化方法可以加快优化速度,提升系统容量,获得更好的误码性能,同时具备一定的摆脱局部最优的能力。最后,为了进一步增强信道容量优化后期摆脱局部最优的能力,提高搜索的精度,论文研究了遗传算法和混沌搜索方法,给出了在粒子群算法的搜索过程中引入交叉、变异、混沌操作的改进策略,在此基础上提出了一种基于混沌遗传算法的信道容量优化方法。从优化速度、优化精度、系统容量以及误码性能的角度,对基于混沌遗传算法的信道容量优化方法进行了仿真,并与基于粒子群算法的信道容量优化方法以及基于动态调整惯性权重加速度因子的信道容量优化方法进行了仿真对比。仿真结果表明基于混沌遗传算法的信道容量优化方法不仅具有较快的收敛速度,而且摆脱局部最优的能力更强,末期局部搜索的精度更高,综合性能最优。