作为下一代网络的核心研究内容，认知网络是在认知无线电网络(CRN)的基础上发展而来的，将CRN中的单域无线环境扩展到了包括网络环境和用户环境在内的多域环境，因此认知网络需要针对多域环境特征进行感知，即多域认知技术，目前通常认为多域认知技术主要是从多域本地认知层、多域协同认知层以及多域主动认知层三个方面来获取和处理多域环境的感知信息。与CRN相比较，认知网络的多域认知过程所获得的认知信息更加全面，更能够反映出认知网络中用户所处的外部环境，因此深入研究多域认知技术，提出各层的认知方法，对认知网络的完善和发展具有重要意义。本文重点研究了多域认知技术的多域本地认知层和多域主动认知层，并分别给出了各层的认知方法。首先，将多域环境划分为了多个单域环境，建立了能够描述单域本地认知过程的一般数学模型，提出了一种基于多维边缘检测的单域本地认知方法，对单域环境中的参量空间进行了划分并确定出了各个状态的状态标识，然后将单域环境升华到多域环境，形成多域本地认知过程。实例分析表明了多域本地认知方法可以有效地获取本地认知信息。其次，针对多域主动认知层，给出了一种基于最小二乘支持向量回归机(LS-SVR)的多域主动认知方法，该方法先采用LS-SVR算法对认知设备的认知参量与其通信性能之间的函数关系进行了回归，并使用粒子群算法对LS-SVR的正规化参数和核函数参数进行了参数寻优过程，然后将所有认知设备的通信性能加权和作为网络整体的优化目标，将所受到的外界多域环境限制作为约束条件，通过求解该优化问题来调整和改善当前网络的性能。仿真结果表明，本文提出的基于LS-SVR的多域主动认知方法在提高网络的整体性能上要优于CRN。