传统的静态频谱无线管理方式使得大量授权频谱存在不同程度的闲置,造成了频谱资源紧张与现有资源利用率很低的矛盾局面。认知无线电技术为解决这一矛盾提供了一种有效方法,其核心思想是:终端具有足够的智能和认知能力,能自动感知周围环境和检测可用频谱,并学习与环境的交互经验进行推理决策。　　 认知无技术的主要目标是实现与授权系统的频谱和其他认知无线电系统的频谱共享。如何根据当前的通信场景自适应调整自身传输参数是其面临的关键问题。本论文通过讨论当前认知无线电的研究现状,分析了其特点和面临的挑战性技术问题。文中研究了基于遗传算法优化模型的认知无线电自适应重构问题,并提出了一种新的基于自适应多目标免疫遗传算法AMIGA(adaptive multi-objective immune genetic algorithm)的CR重构方法。AMIGA通过引入免疫算法中的浓度控制机制和均匀初始化技术改善遗传算法种群多样性,同时引入自适应变异技术从而有效提高算法的寻优能力。与已有模型相比,它不需要确定每个适应度函数的权值,从而避免了漏掉部分最优解的问题。而且通过保存寻优过程得到的Pareto最优解集,解决了仅在用户业务类型发生变化时需反复执行优化搜索的问题。　　 在实际通信中,各信道具有不同的带宽、干扰强度和PU冲突概率,如何根据自身业务特性选择最佳的信道和传输策略是CR系统的关键问题之一。本文提出一种基于Q学习的在线学习算法。用于解决多用户多信道认知无线电系统中的信道选择与自适应传输问题。所提方法在不知道信道状态信息和PU用户业务特性的情况下,通过在线学习与环境的交互经验,从而获得各状态下的最佳频谱选择与自适应传输策略。为了验证所提方法的有效性,采用随机频谱选择算法和最小干扰频谱选择算法与所提方法进行比较。仿真结果表明,所提方法通过在线学习实现了CR的自主化,在增加CR性能的同时能进一步降低系统的中断率。