随着无线网络技术的突破与互联网技术的深度融合，无线网络承载的业务已从简单的语音呼叫转变为复杂的混合服务（例如，音频，视频和数据）。一方面，由于延迟和误码率，保障用户的服务质量（Quality of Service，QoS）并非易事。另一方面，落后的频谱利用策略、严重的用户干扰、信道衰落和噪声等因素，使得资源利用率较低。因此，如何在确保用户QoS的同时提高资源利用率是一个研究热点。认知无线电网络（Cognitive Radio Network，CRN）的认知用户（Secondary User，SU）通过机会访问授权用户（Primary User，PU）的许可频谱，从而实现SU和PU频谱共享。CRN打破了静态频谱接入的限制，提高了频谱利用效率而备受业界的广泛关注。目前，围绕CRN的研究主要集中在网络资源的分配上。然而，无线电频谱访问的灵活性给CRN带来了新的挑战，同时也给各层通信协议的设计增加了复杂性。频谱分配与数据传输是CRN的关键技术，这些关键技术都需要消耗能量。对CRN这样的新兴通信方式而言，有效的资源分配方案、路由策略和能量持续性保障都至关重要。本文对能量受限和能量补给两个网络场景进行研究，并提出了相应的资源分配和路由选择算法以满足网络用户的QoS和能耗需求。
　　首先，针对能量受限的CRN资源分配优化问题，本文建立了在QoS、干扰温度和中断概率约束下的SU节点总速率最大化问题，但该问题是不易求解的混合整数非线性规划（Mixed Integer Non-Linear Programming，MINLP）问题。为此，优化问题被分为两个子优化问题：信道分配和功率控制。本文将信道分配子问题转换为0-1整数规划问题，提出一种基于遗传算法的信道分配算法（GACA）获得最优的信道分配策略。然而，功率控制优化问题是具有耦合约束的函数。为此，当SINR足够高时，通过引入几何规划（Geometric Programming，GP）和辅助变量将非凸转换为凸几何规划（Convex Geometric Programming，CGP）来获得最佳功率控制策略。当SINR为中低值时，使用单凝聚方法（SCM）的迭代算法来解决。根据信道状态信息（Channel State Information，CSI）的特点，本文设计了一个完美CSI（理想CSI）的最优解决方案和一个非完美CSI（非理想CSI）的次优解决方案。仿真结果表明，该算法在不同的CSI状态下都能取得较好的性能。
　　其次，为了解决CRN能量受限的短板，本文研究了CRN在具有能量补给（能量采集：Energy Harvesting，EH）环境下的功率控制优化问题。优化目标是通过分配最优功率来最大化系统容量，同时考虑干扰，SINR，节能和QoS保证。为解决非凸非线性规划优化问题，针对能量采集CRN（EH-CRN）的资源分配提出了基于强化学习（Reinforcement Learning，RL）的Q学习资源分配算法（QLRA-EHCRN）。通过理论分析和仿真实验，证明该算法可以有效提高系统容量，提高资源利用率，同时降低SU节点对PU节点的干扰，最大限度地提高系统传输速率。
　　再次，研究了解码转发CRN在具有能量补给通信场景中的路由问题。路由优化过程被建模为部分可观察Markov决策过程（Partially Observable Markov Decision Process，POMDP）。为了找到满足最大化传输速率和最小化能量消耗的路由策略，本文提出一种基于Q学习的能量采集路由算法（EHR-QL），用于多跳CRN路由的选择。数值仿真结果表明，该算法可以延长网络生命周期，提高平均吞吐量，降低平均端到端延迟。
　　最后，本文研究了放大转发CRN在具有能量补给通信场景中的资源分配和路由选择优化问题。为了提高数据传输的可靠性，本文给出中继节点选择步骤。本文还提出一种混合博弈论的路由和功率控制算法（HGRPC）来解决系统吞吐量最大路由选择优化问题。同一路径上的SU节点相互协作，不同路径上的SU节点相互竞争。通过选择最佳的下一跳节点，可以找到最大化吞吐量的最佳策略。实验结果表明，HGRPC具有更高的吞吐量，更长的网络寿命，更小的延迟和更低的能耗。