作为认知无线电的核心技术，认知无线电决策引擎的基本功能是根据用户需求和环境变化智能的优化配置无线电传输参数。在不影响授权用户正常通信的前期下，最大化利用频谱资源，为认知用户提供通信接入服务，保证其通信质量。最终达到提高频谱利用率，合理优化利用各无线通信资源的目的。由于认知决策引擎参数优化问题可以归纳为多目标优化问题，而采用智能算法解决多目标优化问题是当前的主流趋势，所以智能算法被广泛应用于认知决策引擎。但是传统算法在解决认知决策引擎参数优化问题时存在收敛速度慢、容易陷入局部最优解等缺陷，影响了该问题的求解精度和速度，所以本文将人工鱼群算法引入认知无线电决策引擎的研究。人工鱼群算法的核心思想是利用鱼群追逐食物的过程来模仿寻优过程，本文在系统研究了人工鱼群算法后，针对传统人工鱼群算法收敛后期优化速度降低、易在极值点附近周期震荡等缺陷提出了三套改进方案，其核心思想分别是增加寻优行为、利用自适应调整参数控制觅食行为视野步长、以及适当屏蔽随机行为。本文对三种改进方案进行了系统的函数测试并证明了其与传统人工鱼群算法相比的优势所在。而后将三种改进方案融合并应用于认知无线电决策引擎之中。实验表明，在多载波通信系统下，该认知决策引擎具有收敛精度高、平均适应度值高、稳定性强等特点，性能明显优于当前较为先进的二进制量子粒子群（BQPSO）认知决策引擎。最后，本文还系统分析了固定帧长的能量检测模型中感知时间与认知用户有效吞吐量之间的函数关系，并将改进人工鱼群算法引入认知用户有效吞吐量的优化问题。利用改进人工鱼群算法收敛速度快、收敛精度高、爬山能力强、全局收敛性好的优势，大大提高了算法的适用范围和感知精度，收敛效果明显优于传统方法。