认知无线电技术是目前解决频谱匮乏最有效的技术,其核心技术包括频谱分配技术和认知决策引擎技术等技术。频谱分配技术以认知用户在某种分配准则下,当整个网络效益最大化时,认知用户所得到的最优频谱分配方案为目的;决策引擎技术以认知无线电系统根据外界环境变化和用户的偏好需求高效的优化发射机参数为目的。目前关于频谱分配技术和认知决策引擎技术已有许多学者投入大量精力进行研究并取得了较好的效果,但是随着社会频谱资源越来越匮乏,其性能还有很大的提升空间。本课题对目前各种认知无线电频谱分配模型和决策引擎模型进行了归纳总结和分析,针对现有模型中存在的不足提出了改进算法。首先,针对图着色理论模型下的频谱分配算法所存在的收敛速度慢,精度低等问题,本课题提出了一种基于改进二进制教与学优化算法的频谱分配算法,利用该算法稳定性好、局部搜索能力都较好等优点,可在平均系统效益准则下,不仅提高了整个系统网络效益,而且能使认知用户获得最大收益的频谱资源。通过仿真实验表明,本文提出的算法不仅收敛速度更快、稳定性更好,而且能使用户获得更高的系统效益,特别在大规模的频谱数目和认知用户数量较多时优化效果更为明显。其次,针对目前现有认知无线电决策引擎算法不能有效的对发射机工作参数进行优化等问题,本课题将改进二进制教与学优化算法应用到无线电决策引擎中,提出了一种基于改进二进制教与学优化算法的认知无线电决策引擎算法,该算法具有简单易懂,参数设置少,收敛精度高等优势,从而使发射机根据外界环境、用户偏好需求等综合影响下能获得最优的工作参数。通过仿真实验表明,本文提出的算法不仅能快速收敛到全局最优解,而且提高了收敛的精度,从而能使认知无线电决策引擎在不同的通信模式工作下能够准确地调整发射功率与调制阶数,很好的满足了系统的需求,能够有效的解决认知无线系统中发射机参数合理优化这一实际问题。