近年来,无人机(Unmanned Aerial Vehicle,UAV)技术的飞速发展和多无人机协同应用的兴起,引发了学术界和工业界对无人机自组织网络(UAV Ad Hoc Network,UAVNET)研究的广泛关注。UAVNET有着区别于传统自组网的诸多特性,使其在军事与民用领域具有极高的应用价值,但同时也面临着诸多技术挑战,尤其是MAC层需要实现高效智能的信道接入机制。传统自组网的MAC接入协议各有利弊,在应用于无人机自组网场景时都需要进行针对性改进,近年来人工智能的兴起对解决通信领域的各类问题提供了新的思路,启发我们可以尝试用一些智能化手段优化UAVNET场景下的MAC协议,本文正是基于这个思路研究无人机自组网中的高效智能接入机制。第一部分研究了UAVNET场景下的随机竞争机制。研究表明竞争类MAC协议更适用于动态性强的无人机自组网,而碰撞问题是影响此类协议性能的关键因素,针对这一问题,我们引入分集群无人机自组织网络的干扰域模型,将UAV节点根据CSMA随机接入协议分布式竞争信道的问题建模为马尔可夫决策过程,提出了一种基于强化学习的信道接入机制。该机制中各无人机决策体在没有网络先验信息(如网络中的活跃节点个数、其余节点接入策略)的条件下,结合历史接入经验如连续碰撞次数、信道闲置时间等,通过与环境交互学习到自适应性较高的接入策略。最后我们通过仿真验证了所提算法的有效性,数值仿真显示所提出的基于强化学习的接入机制在接入成功率等性能上优于传统的自组网MAC协议,并且具有良好的自适应性。第二部分研究了UAVNET场景下的退避机制。在基于预约竞争的MAC协议中,带有冲突避免的载波侦听多路访问机制是应用最广泛的自组网接入方式,而在该方式下,网络性能的好坏主要取决于竞争窗口的大小与退避策略的好坏。针对这一问题,我们将无人机竞争信道过程中的竞争窗口调整问题建模成为MDP过程,并基于强化学习理论,提出了一种基于策略搜索的强化学习退避算法,最后通过仿真实验验证了我们提出的退避算法的有效性,数值结果表明,与传统网络中的退避算法相比,本文提出的智能退避机制具有良好的自适应性,可以有效提升信道的利用率、降低节点的平均退避时延。第三部分研究了UAVNET场景下的多包接收机制。多包接收(Multi Packet Reception,MPR)的出现改变了传统的信道冲突模型,为自组网MAC信道接入机制设计带来了新的思路,基于此,我们根据无人机自组网多包接收场景,建立相应的接入控制模型和功率控制模型,并以最大化系统吞吐量为目标建立优化方程。然后分析了基于握手的MPR机制的利弊,提出了基于LSTM神经网络预测信道状态信息的多包接收机制,从而优化MPR技术的分布式接入控制,仿真结果显示所提出的基于预测的MPR方案能有效提升UAVNET的吞吐量。