随着通信测控技术的发展和人工智能新技术的崛起,智能化和信息化成为未来无线通信领域的发展方向。但是频谱资源日益稀缺,通信环境复杂多变,信号在传输过程中会受到各种杂波干扰。认知动态系统（Cognitive Dynamic System,CDS）的提出为无线通信技术带来了曙光,其自适应波形技术在目标特性或外界环境发生变化时,可以有效避开干扰,提高系统抗干扰能力和目标检测性能。自适应波形技术通过感知外界环境信息,调整相关参数,提高认知通信性能。在已有理论和文献成果中,只研究了其在认知雷达目标检测跟踪的应用,缺少其他创新场景结合。神经网络算法通过大量结构化数据挖掘规则,可以实现非线性信息系统的拟合。基于此,本文结合测控通信场景,基于最小误码率准则构建自适应波形系统,利用BP（Back Propagation）神经网络构建了 BP网络自适应参数学习模型,使得认知通信更加高效和智能化。本文研究工作和创新点如下:（1）结合测控通信场景,以误码率为目标函数,基于最小误码率准则,研究了多种干扰环境下的自适应优化策略。利用线性调频信号,以认知波形技术为理论基础,结合高斯白噪声、对数正态噪声、韦伯尔噪声和单音噪声等四种噪声环境,分别构建了波形参数和环境参数的自适应优化模型。仿真结果表明,系统误码性能与发射波形参数以及环境参数选择有关,结合多种噪声环境模型,合理调整发射波形参数以及环境参数,可以有效提升认知传输性能和通信质量。（2）结合BP神经网络算法,构建了 BP网络认知波形参数优化模型。通过自适应波形系统获取样本数据集,将脉冲宽度T和信噪比SNR用作输入训练数据,将误码率作为输出训练数据,提出了 BP网络自适应参数学习策略,利用MATLAB代码仿真对预测性能以及预测误差进行了分析,同时研究了样本数量对预测性能的影响。仿真结果表明,本文提出的BP算法模型具有良好的预测效果,与自适应波形算法相比,利用BP算法优化后的误码率预测曲线具有更好的收敛效果,更接近理论值,而且有效降低了代码实现的计算复杂度。