近年来,人们对无线通信服务的爆炸式增长需求与有限且利用率低的频谱资源之间的矛盾日益突出。如何有效地提高频谱利用率已经成了目前无线通信领域里急待解决的重要课题。针对频谱资源传统的固定分配方式和接入方式，认知无线电作为一种新兴的智能通信技术正在受到越来越多人们的重视。它可以自适应调节系统参数，快速有效地填补频谱空洞或未使用的频谱，解决了频谱利用率低的问题。在认知无线电系统中，认知用户的发射功率是实现频谱共享的核心技术之一，同时它也是认知用户唯一的操纵变量和给其他用户带来干扰的主要原因，所以功率控制问题自然受到科研工作者的广泛关注。目前国内外广大的科研工作者结合博弈论、协作分配方式、群智能优化及鲁棒优化等不同的数学优化算法，解决了单一目标或多目标某一时刻的功率控制问题，并取得了可喜的成果。但是，这些成果如果针对集中式网络成本高、动态通信环境适应力差和具有不确定性问题来实现有效的功率控制并非是最优结果。因此，针对上述问题，本文试图采用新的理论和数学工具，得到新的认知无线电功率控制方法，给出了相应的解决方案。本文的主要研究工作如下：1）在认知无线电系统中，大多数传统功率的控制方案都是针对集中式网络提出来了，它耗费成本高。本文则以下垫式场景的分布式认知无线电网络为研究平台，以最小化次用户总消耗功率为目标，在保证次用户基本通信质量和主用户服务质量的条件下，通过粒子群优化（PSO）算法和惩罚函数理论，将效用函数和优化问题的约束条件转换成适应度函数，提出了一个基于混沌粒子群优化（CPSO）功率控制算法。仿真结果表明，所提出的CPSO算法与PSO算法和自适应粒子群（APSO）算法比较，可以减少总发射功率消耗，具有较高的传输速率和全局搜索能力。2）在认知无线电网络中，由于用户的移动性和频谱空洞的随机性导致无线电网络环境快速多变，那么稳定与可靠的传输就显得格外重要。本文为了适应动态通信环境，在频谱共享的下垫式认知网络中，以次用户消耗的最小功率为目标，考虑与前面相同的约束条件，根据精确惩罚函数理论，将最初的优化模型转换成适应度函数，提出了一种基于动态粒子群优化的功率控制算法。该算法由动态粒子群算法中的敏感粒子探测环境的变化，再利用普通粒子实时更新系统的传输功率。从仿真结果可以看出，在动态环境中，与粒子群优化算法、混沌粒子群优化算法比较，动态粒子群优化算法可以获得稳定可靠的发射功率，且次用户所消耗的总功率最小。3）在认知无线电系统中,我们以主用户受到来自于次用户的干扰最小为目标，同时考虑了次用户保证基本通信质量即信噪比大于某个阈值和次用户传输功率不超过额定功率条件下，基于下垫式模型，提出了一个基本的人工鱼群算法（AFSA）和基于优胜劣汰生存机制的改进人工鱼群算法（IAFSA）来解决功率分配问题。仿真分析表明，我们所提出的AFSA和IAFSA可以获得更小的次用户发射功率，因而对主用户的干扰最小，保证了主用户的通信质量。同时，仿真结果还表明，该算法收敛速度最快，稳定性和鲁棒性比PSO算法和CPSO算法好。4）分布式功率控制算法可以减少用户信息的交换，降低系统的开销。本文基于对主用户干扰功率最小目标函数提出了一个基本的分布式功率控制算法。为了降低对主用户的干扰，还提出了一个改进的分布式功率控制算法。仿真结果表明，无论是在完美信道还是在不理想的信道，所提出的两种算法的性能都优于传统的迭代注水算法（IWFA），而改进算法性能优于原基本算法。5）在认知无线电系统中，大多数功率控制方案都考虑了主用户干扰功率约束，而对次用户通信质量没有严格的时时保证。本文则在保证主用户高质量通信，满足次用户最大发射功率约束和在每个子载波上主用户所能忍受的最大干扰功率约束，在OFDM网络框架下，提出一种基本的分布式功率控制策略。由于目标函数的非凸性，我们引入几何规划把它转换成凸优化问题。为了提高每个次用户在每个子载波的传输速率，提出一个改进算法。仿真结果表明，与传统迭代注水算法相比，基本算法和改进算法都具有较高次用户的传输速率，较快的收敛速度和较低的计算复杂度。6）在实际的通信环境中，参数的不确定性会影响系统的性能。本文在认知无线电网络中OFDM框架下，针对接收机反馈给发射机的量化噪声与干扰的不确定性，提出一种鲁棒功率控制方案。为了获得每个次用户的最大传输速率，考虑了三种约束：每个次用户传输功率的范围，主用户受到的干扰功率低于给定的阈值，及当存在量化干扰误差时，所获得次用户在每个子载波上的传输速率低于在其理想传输速率的概率。我们假设量化噪声与干扰的误差服从均匀分布，于是把概率约束条件转化为确定性形式。通过拉格朗日对偶约束方法和次梯度迭代算法解决了对偶问题。仿真结果表明，所提算法优于基于干扰增益最坏情况下鲁棒算法和在完美信道中不考虑量化干扰误差的非鲁棒算法，具体体现在每个次用户的传输速率、系统达到平衡的时间和计算复杂度。