传统认知网络中,由于确定了主用户系统的干扰门限,可以在一定程度上有效管理主次用户间的干扰,但由于次用户间缺乏有效的资源管理,次用户间的干扰会影响系统的信道容量。将功率分配应用于认知MIMO网络的干扰对齐算法中,能够进一步的减少干扰,提高效率,提升系统容量。以此为背景,以提升认知用户系统速率、减少用户间干扰、降低计算复杂度为目标,对认知MIMO网络中基于干扰对齐的多用户分集算法和次用户间的功率分配算法进行研究。主要研究成果如下:1、介绍了干扰对齐的基础模型,对两种经典的干扰对齐算法,最大信噪比算法和最小干扰泄露算法的系统容量进行了比较,仿真结果表明,由于最小干扰泄露算法没有考虑信噪比对算法的影响,在低信噪比情况下,最小干扰泄露算法的性能要优于最大信噪比算法。但总体而言,随着信噪比的增加,最大信噪比算法的性能要优于最小干扰泄露算法。与此同时,介绍了认知MIMO网络的干扰对齐模型,并针对认知MIMO网络的最大信噪比算法进行了仿真,分析了主次用户数相同时网络的系统性能。2、由于现有的迭代干扰对齐算法并不能做到干扰的完全消除,而且在迭代次数有限,用户数多于天线数的情况下,干扰可能会急剧增加,对用户的传输性能造成很大的影响。由此,提出认知MIMO网络中基于干扰对齐的多用户分集算法。所提算法将多用户分集应用到认知MIMO网络的干扰对齐算法中,首先通过次用户系统的干扰来确定接入的次用户数,再选择系统容量最大的次用户重新接入主用户网络,实现对单个用户性能以及系统容量性能的改善。该算法相对于未干扰对齐的算法减少了用户间的干扰,相对于遍历的多用户分集算法而言,该算法通过合理地控制用户数量减少了算法复杂度。仿真结果表明了算法的优越性。3、为了在不对主用户产生干扰的情况下达到合理分配次用户功率目的,首先对单个主用户和多个次用户组成的认知MIMO网络模型干扰对齐方案进行研究,然后在干扰对齐的基础上给出了次用户总速率最大化的功率分配算法和基于博弈论的次用户功率分配算法。基于次用户总速率最大化准则的功率分配算法通过对齐不同次用户功率占比下的网络干扰,并确定性能最优的功率分配方案,可以实现次用户系统功率恒定情况下系统容量的最大化。相应地,基于博弈论的次用户功率分配算法通过平衡不同次用户的信噪比和对主用户产生的干扰来优化效用函数,并以最大化效用函数为目的迭代计算各次用户分配的功率,有效减少传输功率,提升了能效比。仿真结果表明,相对于传统的等功率分配方案,两种算法都能够进一步提升次用户系统的性能。