随着Internet技术的不断发展，传统的诸如电子邮件、文件传输以及远程登陆等服务已经不能够满足人们的需要。同时，随着移动Internet设备的大量涌现，能够支持移动性应用的服务将会对网络本身产生不同的需求。这些新的需求促使网络能够根据用户的可变需求对网络结构进行重新设计并导致主动或可编程网络的出现。尽管这一领域已经取得丰硕的成果，而网络的自动化管理和维护却由于网络管理者是人类本身而处于较低的水平。网络不能够意识到本身的状态和应用的需求，没有本身的目标和如何实现这个目标的知识，并且不能够对自身的行为进行推理。这就是说，应用的发展迫切需要网络本身具有“认知”属性。　　 认知无线网络能够感知当前网络的情况，基于数据流的端到端的配置目标对无线网络进行计划、判决和采取相应的自适应行动。同时，无线网络能够从这些自适应行动中学习，并将学习到的知识应用于网络未来的判决中。认知无线网络是一项复杂的技术，其研究内容包括了网络体系结构研究、环境感知技术、知识表示以及获取技术、机器推理技术、机器学习技术、网络可重配置技术等诸多技术问题。本文采用机器学习技术通过跨层优化的手段来实现端到端的配置目标，着重对网络体系结构、知识获取技术和机器学习技术作了比较深入的研究。主要研究成果如下：　　 1.设计了一种认知网络系统结构，即独立于传统OSI七层结构的新的认知面，它方便认知网络实现中的模块化，并降低未来网络系统实现的复杂度。其次，给出了认知面的功能实现模块，特别是阐述了两种认知能力具体的实现方法：利用多目标遗传算法对认知网络进行“离线内省”学习，解决“有经验指导”的学习问题，提高认知网络的离线学习能力；利用案例推理对认知网络进行“在线判决”，解决模型的快速匹配问题，提高认知网络的实时处理能力。最后，以异构网络中拥塞控制为例对这两种认知能力进行了详细阐述。2.采用网络情景意识知识库和案例推理相结合来实现认知能力目前得到了广泛的研究。着重对无固定设施的无线网络如自组织网，如何构建网络情景意识知识库包括构建案例集以及从案例集中提炼出知识进行研究。结合某自组织网络，从网络情景意识和网络的协议重配置能力两个方面，提出采用NSGA-Ⅱ的多目标优化算法和模糊判决相结合的方法来生成认知无线网络的案例集。根据对案例集的观察获取到认知无线网络的一些共性知识。仿真结果表明：随着信道质量和网络业务负载的变化，采用学习机制对网络采取跨层重配置以后，网络传输平均时延大约可以减小为网络最差性能的50％以上，网络呼叫成功率可达100％，网络吞吐量可以提高20％左右。3.针对部分连接Ad hoc网络中路由选择主要依赖于转发概率而转发概率事先未知的特点，研究认知无线网络单个节点通过人工智能领域的Q学习手段实现对转发概率的在线学习机制。提出了一种基于SSPQL框架的DTN网络路由算法Q-MEED。Q-MEED算法能够实现在充分“利用”最大转发概率节点的同时“探索”其它具有更好转发概率的节点；同时，Q-MEED算法实时地根据Q学习给出的奖励或者惩罚结果来对下一跳节点自动做出选择。针对Q学习需要较长的训练时间达到收敛问题，采用SSP算法来对路径进行随机统计概率的学习从而加快收敛的速度。在The One平台上，用Java语言实现了该算法的仿真，并与其它路由算法在传递成功率、平均缓冲时间、消息传输开销进行了比较。仿真结果表明，Q-MEED算法具有较好的性能，能够满足DTN网络的需求，是一种有效的路由解决方案。4.针对存在局部干扰的Ad hoc网络中节点的自私性和网络整体利益之间的矛盾而导致的Ad hoc网络拥塞问题，研究认知无线网络节点之间通过博弈学习而实现最佳的数据分流的在线学习机制。首先证明基于MAC层竞争造成的网络拥塞模型中存在纳什均衡点。其次，基于WOLF-PHC学习策略提出了一种跨层拥塞控制(WCS)机制。它在路由层中选择一对去耦合节点作为转发节点，同时在MAC层对源节点的发送数据进行分流，从而提高链路的空间重用性。仿真结果表明：在不需要交互任何信息的情况下，通过节点之间的相互博弈以后，采用WOLF-PHC算法能够找到每个节点的最佳分流概率进而使整体网络吞吐量达到最大值；同时当外界环境发生改变时，该算法能够较快地找到新的最佳分流概率从而实现对环境的自适应能力。