结合无线能量收集技术的认知无线电网络是缓解频谱稀缺问题和能量短缺问题的重要关键技术。然而,能量收集机制的应用和不断加深的网络密集程度,使得认知无线电网络的信道状态信息估计精度的不确定性进一步增加,系统鲁棒性设计更为严峻。此外,现实中的能量收集电路通常会产生非线性端到端的无线功率转换,使得传统基于线性能量收集模型的认知无线电的资源鲁棒优化技术难以有效地利用系统资源并无法保证系统的鲁棒性。为了更有效地收集射频能量,并提升系统的鲁棒性,本文研究了非线性能量收集模型下认知无线电的资源优化,分别提出了多目标协同规划的最佳鲁棒波束成形设计以及基于深度强化学习的最佳资源分配策略。具体研究内容如下:在基于信息与能量协同传输的MISO能量收集认知无线电网络中,充分考虑了信道状态信息估计精度的不确定性,建立了最小化认知网络传输功率和最大化能量用户收集能量的资源分配优化框架。在此基础上,分别在两个不同的非线性能量收集模型下,提出了多目标协同规划的最佳鲁棒波束成形设计。仿真结果验证了认知网络传输功率和收集能量之间存在的折衷。同时,仿真实验比较了两个不同非线性能量收集模型下认知网络能量收集的性能并量化了能量收集电路灵敏度对能量收集的影响。上述所提的资源分配策略依赖于信道状态信息估计误差数学模型的建立,其无法在实际信道条件下达到最佳性能。而基于深度强化学习的资源优化技术不依赖于信道状态信息估计的误差模型,有效降低了信道估计误差模型的不精确性导致性能下降的影响。本文在非线性能量收集模型的基础上,研究了能量收集认知无线电网络的功率分配和动态信道选择问题,通过将所研究问题建模为马尔可夫决策过程,提出了基于深度强化学习的最佳资源分配策略。仿真结果表明,在所研究的能量收集认知无线电场景中,非线性能量收集模型下认知网络的性能要优于线性能量收集模型。综上所述,本文在基础模型和资源优化算法方面的研究成果将为能量收集认知无线电的实际应用提供重要的理论和技术支撑。