车联网是在无线通信应用方面的创新,预期可通过发展智能交通系统（Intelligent Transportation System,ITS）改善道路安全,提高汽车交通效率,因而它已经逐渐成为当前研究智慧交通发展的热点。另外鉴于目前频谱资源的有限性、稀缺性且利用率较低的现状,车辆之间通信数据的传输性能大打折扣。所以针对上述问题,认知车联网（Cognitive Radio enabled Vehicular Ad-hoc Networks,CR-VANETs）悄然产生了。在CR-VANETs系统中,控制发射功率可以改善系统效用,在很大程度上缓解了CR-VANETs频谱利用率低下的现状,提高CR-VANETs系统的吞吐量,因此如何制定出合理的功率控制方案至关重要。目前国内外的专家学者通过结合群智能优化算法、深度学习、机器学习等方法解决了单目标、通信环境简单的功率控制问题,但对于拓扑结构复杂多变、多个目标共存的情况下,上述理论相对单一,并非能够取得良好的效果。针对以上问题,本文将博弈论引入到功率控制问题中,把认知车联网系统中车辆之间相互竞争问题转化为博弈问题进行分析,提出相关的功率控制算法,得到了很好的效果。本文的主要研究工作如下:1)本文在同时满足发射功率、传输最小信噪比以及系统干扰约束的前提条件下,建立认知车联网系统中所有认知车辆的发射功率最小化的数学模型。结合传统的K-G算法,在该算法的基础上提出了一种基于平均干扰温度值的功率控制算法GT1算法,并对该算法的存在性与唯一性进行证明。该算法保证了各个车辆服务质量,打破传统算法对自私车辆线性惩罚的规律,考虑了不同距离车辆造成不同干扰的问题。仿真实验结果表明,所提算法在保证车辆正常数据传输的前提下,有效的降低了车辆的发射功率,算法收敛速度较快。2)在上述算法的基础上,针对于GT1算法中存在车辆不同距离的问题提出了加权干扰温度值的功率控制算法GT2算法。优化了惩罚机制,加入加权系数,针对不同距离的车辆采用不同的惩罚方案。仿真实验结果表明,GT2算法比K-G算法、平衡算法、GT1算法有着更好的功率控制方案,可以进一步消除车辆间“远近效应”问题,大大提升了车辆的公平性,降低了能源的耗费,优化了系统整体网络结构。