随着无线通信的快速发展以及大量新型无线网络和业务的出现,频谱资源短缺的问题变得愈发严重。而造成频谱短缺的主要因素之一是频谱的实际利用率较低,导致了频谱资源的浪费。认知无线网络作为一种频谱共享技术,在保证主用户正常通信的同时,通过合理的资源分配让从用户机会式接入授权频谱,有效地提高了频谱的利用率。因此,在各种场景中研究认知无线网络的资源分配策略十分必要。本学位论文围绕不同场景的认知无线网络资源分配策略及性能分析展开研究。首先,在正交频分多址(Orthogonal Frequency Division Multiple Access,OFDMA)认知无线网络中提出了基于从用户干扰最小化的资源分配策略;其次,在移动认知无线网络中提出了基于抗阴影衰落的资源分配策略;然后,在OFDMA认知无线网络中提出了基于主从用户能量效率与频谱效率折中的资源分配策略;最后,在非正交多址(Non-Orthogonal Multiple Access,NOMA)异构物联网中提出了基于能量效率最大化的资源分配策略。论文的主要研究工作如下:1.针对集中式OFDMA认知无线网络主用户传输性能受从用户限制的问题,提出了一种从用户干扰功率最小化的资源分配策略,保证了主从用户基本通信需求且有效提高了主用户的信道容量。首先,对OFDMA从用户进行分步式功率分配、子信道分配以及接入控制,实现了主从用户频谱共享时主用户信道容量最大化;其次,通过仿真与传统算法比较,证实了所提出的分配策略在保证主从用户业务质量(Quality of Service,QoS)及从基站功率约束的同时,更好地保护了主用户信道容量。2.针对移动认知无线网络中信道状态瞬时结果无法直接用于分配从用户无线资源的问题,提出了一种基于信道状态信息预测的抗阴影衰落资源分配策略,有效提高了移动从用户能量效率和频谱效率。首先,建立了一种可以预测移动从用户信道状态信息的移动认知无线网络系统模型。根据信道状态信息的预测结果,对主从用户设置保护参数用于对抗非相关阴影衰落造成的预测误差;其次,设计了以从用户平均有效容量之和最大为目标的资源分配策略;然后,进一步对主用户移动速率加以考虑,将所提出的策略推广到一般性移动认知无线网络的场景;最后,通过仿真验证了所提出的分配策略不仅能够增加从用户的系统容量,还可以在移动场景中对抗非相关阴影衰落,提高从用户的能量效率和频谱效率。3.针对集中式OFDMA认知无线网络中主从用户能量效率和频谱效率难以联合优化的问题,提出了一种基于深度学习的从用户加权干扰最小化资源分配策略,计算效率明显优于传统资源分配策略。为了联合优化主从用户的系统性能,首先以从用户系统干扰功率的加权和最小化为资源分配的优化为目标,将主从用户的信干噪比需求、速率需求以及从基站发送功率上限作为约束条件建立从用户资源分配优化问题;其次,提出了基于深度学习的三维衰减消息传递算法进行问题求解;然后,为了提高计算效率,提出了基于二维衰减消息传递算法的次优策略;最后,通过仿真对比验证了所提出的分配策略在联合优化主从用户能量效率、频谱效率以及计算效率方面均优于传统策略。4.针对非理想NOMA异构物联网中用户和设备间存在相互干扰的问题,提出了一种基于异构用户最佳匹配以及能量效率联合优化的资源分配策略,有效提高了系统的接入机会、能量效率和频谱效率。首先,利用认知无线网络,将异构系统中的热点用户与智能设备视为主从用户,依次进行下行功率和信道分配;其次,基于提出的分配策略,构造了一个深度循环神经网络来提高策略的计算效率;然后,根据资源分配的结果提出了一种基于用户优先级和数据速率需求的接入控制方案;最后,通过分析仿真结果证明了所提出的分配策略能够有效提高非理想NOMA异构物联网的能量效率和频谱效率。