随着无线通信业务的不断增长和智能终端的广泛应用,有限的频谱资源变得愈加紧缺,而稳步发展中的物联网(Internet of Things,IoT)通信、设备间(Device to Device,D2D)通信、机器间(Machine to Machine,M2M)通信和移动互联网通信等新兴的无线通信业务,又亟需发掘更多的频谱资源供其使用。一方面,业界将视线转移至毫米波和可见光频段,试图从中寻求突破,但高频段频谱受到自身传播特性的限制,很难满足无线通信的覆盖要求;另一方面,认知无线电技术为频谱资源的利用率提升创造了可能。频谱感知是认知无线电技术中的核心功能之一,它不仅可以防止非授权用户(次用户)对授权用户(主用户)造成干扰,而且还能识别出可用的空闲频段以提高频谱的利用率。然而,其检测性能往往受到多径衰落、阴影衰落以及隐终端等问题的影响,为了解决这类不利因素,合作频谱感知作为一项通过利用次用户空间多样性来提高检测性能的技术应运而生。本文以全双工认知无线电网络为背景,讨论并分析了网络模型中的关键参数与性能指标,并对其合作频谱感知系统和信道分配策略也展开了研究,主要研究内容如下:(1)针对全双工认知无线电网络模型相比半双工模式的优势,本文对其中的关键参数和性能指标进行了分析,包括:感知结果错误率,系统状态转移概率,信道占用冲突率,判定阈值的设计以及频谱利用率和次级网络吞吐量。全双工通信技术实现了频谱感知与数据传输的同时同频,次用户在与主用户共享频谱资源的基础上,又增加了对频谱空穴的使用,进一步提升了频谱资源的利用率。(2)针对全双工认知无线电网络中变化频繁的网络环境,本文提出并实现了一个基于集成学习和SMOTE的合作频谱感知系统。本文将主用户状态检测刻画成一个二分类问题,采用集成学习中典型的AdaBoost算法进行频谱感知,该系统借助机器学习算法优良的泛化性和鲁棒性,能够更好地适应网络环境中的不确定性。此外,针对训练过程中出现的数据不平衡问题,提出使用SMOTE过采样技术对数据集进行处理。(3)针对多信道的全双工认知无线电网络,为了合理安排次用户参与指定信道的合作频谱感知,本文设计了一个基于自适应遗传算法的信道分配策略。在满足主用户正常通信的前提下,建立了以次级网络吞吐量最大化为目标的优化模型,并采用自适应遗传算法对其进行求解,以保证快速逼近最优解时也能避免提前收敛的问题。