随着信息化进程的持续发展,无线通信技术在现代社会中的应用越来越广泛。不断涌现的新兴业务、持续增长的用户规模、快速增加的设备数量对无线通信系统网络容量和资源利用效率提出了更高的要求。认知无线电（Cognitive Radio,CR）技术通过对无线通信环境的智能感知,能够实现无线频谱资源的共享和多用户干扰的协调,具有改善通信资源利用率和提升网络容量的巨大潜力。功率控制是认知无线电网络（Cognitive Radio Networks,CRNs）频谱利用在物理层中的载体,对抑制干扰、提升频谱效率、改善网络容量具有重要的价值。CRNs中的功率控制问题一般建模为非凸优化问题,求解难度较大。传统求解方法一般依赖于分式规划、分支定界（Branch and Bound,BB）、半定规划放松等数学方法来开发求解算法,对通信和数学领域的专家知识依存度高,实现过程复杂,计算复杂度较高。近年来,深度学习（Deep Learning,DL）技术在计算机视觉、自然语言处理、语音识别等领域实现了突破性进展。DL的数据驱动本质使得其具有无需人工特征工程和无需领域专家知识等优点。这些优势同样受到无线通信领域的重视,被认为是构筑未来第六代（the Six Generation,6G）移动通信系统中智能无线电的技术基础。在此背景下,本文针对CRNs中的功率控制问题,研究了基于DL的智能求解方法。本文主要的研究内容和技术贡献主要包括如下三个方面:（1）针对认知无线电干扰信道网络中和速率最大化功率控制优化问题,研究了基于BB的求解算法（SR-BB）,该算法能够有效获得问题的全局最优解,为验证SR-DL提供了性能参考。（2）针对认知无线电干扰信道网络中和速率最大化功率控制优化问题,研究了基于DL的求解方案（SR-DL）,在满足所有用户速率和功率约束的前提下实现和速率最大化。由于用户间的干扰,所考虑的问题是非凸的,因此很难求解。该方案采用DL方法自适应地求解,首先利用障碍函数法将难处理的速率约束项添加到目标函数里,然后利用非监督学习策略解决缺少训练集（即最优功率分配）的问题,仿真结果表明了该方案的有效性。（3）针对认知无线电干扰信道网络中全局能效（Global Energy Efficiency,GEE）最大化功率控制优化问题,研究了基于DL的求解方法（GEE-DL）。SR-DL方案虽然能实现比较高的和速率,但是能效（Energy Efficiency,EE）会很低,所以研究了在满足所有用户的速率和功率约束前提下的GEE最大化问题。所采用的方案和SR-DL相同,即利用了障碍函数法和非监督学习策略。仿真结果表明了该方案的有效性。