随着无线通信技术在各领域的广泛应用，用频设备对频谱资源的需求日益递增，频谱资源紧缺成为了无线通信技术发展的一个瓶颈。无线频谱是稀缺的不可再生资源，它的合理使用就至关重要。认知无线电作为一种提高频谱资源利用率的技术在这样的大环境下被提出。其出发点是在不影响授权用户正常通信的前提下，使认知用户接入到空闲频谱内，并动态的加以利用；其核心是发现空闲频谱资源并使用，提高频谱资源整体利用率；其解决的问题是由于固定分配造成的频谱资源浪费。如何高效分配已发现的空闲频谱，是其一个重要的攻关方向。本文紧紧围绕认知无线电技术中电磁频谱资源的分配进行研究。首先，对认知无线电的电磁频谱分配技术进行了梳理和总结并介绍了常见的几种分配模型。在分配技术方面：一是根据通信网络架构的不同将网络分为集中式和分布式；二是根据网络内部用户之间有无信息交流和反馈分为协作式和非协作式；三是根据分配后有无实时调整分为静态分配和动态分配。在分配模型方面：一是根据接入的方式不同分为Overlay sharing模型和Underlay模型；二是根据对干扰的态度不同分为干扰温度模型和图论模型；三是根据网络内认知用户的公平性分博弈论模型和拍卖模型。其次，频谱分配问题其实就是资源分配的最优化问题，本文以图论模型为基础，运用群智能优化算法即粒子群算法（PSO）和遗传算法（GA）求解频谱分配问题，以网络效益和用户公平性作为衡量算法优越性的指标。通过对粒子群算法和遗传算法的原理分析、算法流程的规划和算法在频谱分配问题上的实现并结合仿真结果，梳理出粒子群算法和遗传算法，在这一问题上的优缺点并进行分析。最后，构建出基于粒子群优化算法和遗传算法的融合算法（PSO–GA），针对传统的粒子群算法和遗传算法在电磁频谱资源分配实际应用中的早熟和收敛速度慢的问题，将遗传算法中的交叉操作和变异操作的进化思想嵌入到粒子群算法当中，并在融合算法中的权值参数取值上引入线性惯性权重函数，从而改善了这两种算法各自在频谱资源分配的问题上的局限性，并通过仿真实验对比这三种算法的性能，确定融合算法在整体网络效益和用户公平性上有优越性。