随着无线传感器（Wireless Sensor Network,WSN）网络应用的快速发展,用于集中工作的未授权ISM频段也越发拥挤,已无法满足WSN低延时和高数据量传输的应用需求,基于认知无线电技术（Cognitive Radio,CR）与WSN结合的认知无线传感器网络（Cognitive Radio Sensor Network,CRSN）研究成为研究的热点。频谱感知和频谱分配技术是实现CRSN高效利用频谱资源的关键技术,其中在频谱感知方面,基于能量检测的频谱感知技术无需先验信号信息和计算复杂度低,非常适用于CRSN,然而其检测精度易受噪声波动和阴影衰落的影响,降低探索频谱空穴的准确性;在频谱分配方面,强化学习为频谱分配提供了一个高效的解决方案,然而高维度动作状态空间和多次用户（Secondary User,SU）接入时,需要采用更高效收敛速度更快的强化学习算法来进行频谱分配。本文针对以上问题设计了面向分布式认知无线传感器网络的高效协同频谱感知和频谱分配方案,实现更充分的利用频谱资源,并降低通信干扰的目标,论文的主要工作如下:1.针对传统能量检测法因受噪声波动和阴影衰落影响而造成检测精度不稳定的问题,本文提出一种融合小波去噪决策的双门限多点协作能量检测算法。首先在单门限能量检测法基础上引入双门限检测流程,双门限能随着噪声不确定度自适应调整;然后利用小波去噪决策判断双门限之间模糊区域的信号,并改进提出了一种自适应变化的阈值和阈值函数,有效提高了去噪决策的准确性;最后在CRSN中利用多认知节点协作检测提升在阴影衰落条件下,检测了系统的精度。经仿真验证对比,改进算法能够保证在噪声和阴影衰落影响下检测的准确性。2.针对CRSN中单节点频谱接入和功率控制联合优化问题,本文提出了一种基于深度Q网络（Deep Q-learning Network,DQN）的单用户频谱接入和功率控制算法。首先以最大化频谱资源利用和降低节点能耗为目的,将单用户的频谱接入和功率控制的联合问题进行数学建模为马尔科夫决策（Markov Decision Process,MDP）的模型;然后在此MDP模型的基础上,基于DQN算法进行有效求解;最后进行了仿真验证。从收敛性、频谱资源利用和能耗角度证明了该方法的有效性,提高了系统的频谱资源利用率和延长了节点的生存时间。3.针对CRSN中多个次用户联合的频谱资源优化分配问题,提出一种基于长短期记忆（Long Short-Term Memory,LSTM）深度Q网络的分布式频谱分配策略,以最大化次用户传输速率为目的,设计了奖励函数和分布式的频谱接入方案。每一个用户都有自己的DQN+LSTM网络训练和学习最佳的信道选择策略,通过仿真验证,对比DQN和Q-learning算法,该算法具有高接入成功率和降低了用户间的冲突,提高了CRSN网络的通信性能和提升了频谱利用率,并验证了算法的有效性。