近年来,随着无线通信技术的快速发展,无线通信设备的数量和种类都呈现出爆炸式增长的趋势。然而在静态频谱分配策略下,频谱分配不均衡导致频谱利用效率低下,并加剧了频谱资源紧缺的现象。动态频谱接入作为认知无线电中的关键技术,可以允许认知用户在不影响授权用户正常通信的前提下,感知频谱现状寻找频谱空穴并伺机接入进行通信。在授权用户开放频谱,大量认知用户涌入目标频段的情况下,如何让认知用户在非协作情况下接入信道并且不与授权用户及其他认知用户发生冲突成为了关键问题。本文主要基于强化学习理论对动态频谱接入算法展开研究,具体研究内容如下:首先,本文对多用户非协作频谱接入模型进行研究,给出了系统模型的详细设计参数。在此模型基础上,结合强化学习理论对动态频谱接入算法进行研究,着重研究了基于Deep Q Network的频谱接入算法与基于Policy Gradient的频谱接入算法,分析了算法中存在的不足并提出了优化方法,最后通过仿真验证了优化后算法的有效性。其次,针对基于Deep Q Network的频谱接入算法在训练迭代过程中存在的收敛速度逐渐变慢、算法收敛后仍存在大幅度抖动的问题进行了分析,本文通过将固定学习率调整为动态学习率,同时通过权重因子调整动态学习率对神经网络训练的影响程度来实现提高算法收敛速度和降低曲线抖动幅度的目标。在本文系统模型下实验表明,用户满载情况时,改进算法能够有效降低用户间平均冲突概率,提高频谱利用效率与认知用户平均信息速率。用户过载情况时,改进算法性能较改进前仍有明显提高。最后,针对基于Policy Gradient的频谱接入算法训练迭代过程中存在的收敛速度慢、收敛周期长、部分训练效果差等问题进行了分析。本文通过引入Actor-Critic网络结构来将PG算法的回合更新模式调整为单步更新模式,同时结合Deterministic Policy Gradient思想引入确定性约束函数来降低Actor策略网络拟合目标的复杂度、结合本文提出的基于DQN的动态学习率频谱接入算法来提高Critic价值网络的收敛速度和稳定性。在本文系统模型下实验表明,用户满载情况时改进算法能够有效降低用户间平均冲突概率,提高频谱利用效率与用户平均信息速率。在过载情况下,基于PG的频谱接入算法失效而改进算法仍能够保持较好的接入效果。