无线通信技术的高速发展使认知用户的数量与类型都在不断快速增加,频谱资源日益紧张。为提升频谱的利用率,认知无线电技术的提出使得无线个人移动设备和高度智能的无线网络环境可以根据用户需求计算无线资源,为用户提供最满足其通信需求无线资源与服务。认知无线网络庞大而结构复杂,准确建立频谱分配的数学模型比较困难;在通过认知无线网络实现频谱的合理分配的过程中,为减少次用户对认知环境的干扰与接收端的能量消耗,需根据相应的约束条件严格控制其发送功率,或准确判断用户接入及离开信道的时间,以此减少用户间的相互影响并提升空闲频谱的利用空间。本文采用将认知无线电技术与深度强化学习相结合的频谱分配方法,利用强化学习算法的无模型控制的特点,以解决复杂认知环境中的频谱分配问题。同时由于深度学习可以弥补强化学习在处理复杂问题以及高维度数据时的不足之处,因此将深度强化学习相关算法应用于频谱分配问题中,实现对于用户发射功率的智能控制及智能信道分配,并有效解决认知无线网络中的建模难、网络环境复杂等问题。本文的主要工作包括以下几点:首先研究分析了使用深度强化学习解决用户传输时的功率控制问题,提出将社会关系网络与物理传输网络相结合的功率控制方法,根据用户间的社会关系选择辅助用户实现频谱共享。其次进一步研究了用户位置快速变化、周围环境更为复杂的车联网环境中的频谱分配问题。根据车辆行驶的特性及快速变化的拓扑结构提出“基于车辆移动性的多跳转发协议”,并将RNN网络能够处理时间序列输入的特性与深度Q网络算法相结合,改变传统强化学习中的奖励方式,提出“全局优化奖励累积算法”。最后仿真结果表明,在无线认知网络中,使用深度强化学习控制算法并结合用户间社会关系,可以有效提高了信息传输的成功率与信息可靠度。在车联网环境中,本文所提出的转发协议与信道分配算法在减少网络拥堵的同时提升了信道的利用率。