认知无线电网络由认知网络和主网络构成,认知网络的次用户能够通过频谱感知、频谱接入实现对已分配频谱的再利用,极大的提高了频谱利用率。近几年认知无线电网络被广泛应用于智能家居、军事防御、智能电网、卫生医疗等领域。然而,认知无线电网络的性能增益产生了高额的能量消耗,增加了网络开销和对环境的污染。为了响应政府、运营商和行业协会提倡的绿色节能通信的号召,本文聚焦认知无线电网络中面向绿色节能的无线资源管理问题,提出了认知无线电网络集中式协作频谱感知场景下能效优化的无线资源分配算法和能量收集认知无线电网络中传输-收集策略优化算法。本文主要包括以下两方面研究内容:(1)研究了基于认知无线电网络集中式协作频谱感知的资源分配问题。针对集中式频谱感知机制和混合频谱共享模式的特点,提出了联合优化感知时间、参与感知的用户个数和发射功率的能效优化资源分配算法。首先,根据集中式协作感知的融合规则的多样性和公共控制信道存在误差的特性,推导出三种全局检测率和全局虚警率的表达式;考虑了检测结果与实际情况存在偏差,利用全局检测率以及全局虚警率,分析出四种可能发生的检测结果。其次,针对这四种检测结果,结合混合频谱共享模式下次用户的传输特点,提出了四种吞吐量模型和一种能耗模型,最终确定了系统能效的表达式,对感知时间、参与感知的用户个数和发射功率进行联合考虑,在保证次用户服务质量和不干扰主用户的同时,实现能效最优的目的。最后,根据Dinkelbach方法,将目标函数转为凸函数,引入拉格朗日乘子进行迭代求解。仿真结果验证了本文提出的算法提高了能量效率,也表明不同的感知时间、参与感知的用户个数和发射功率对能量效率的影响。(2)研究了能量收集认知无线电网络中传输-收集策略优化问题。针对无线通信环境高度动态的特点,提出了使用深度强化学习的策略优化算法,能够根据环境选择合适的工作模式和发射功率值。首先,通过分析能量收集认知无线电网络中次用户的在每个时隙的状态特点,使用马尔可夫决策过程对次用户的工作过程建模;其次,提出了基于深度强化学习的传输-收集策略优化算法,使用次用户与环境交互产生的数据来训练模型;最后,训练好的模型能够根据每个时隙状态的不同,选择合适的工作模式和发射功率。仿真结果表明,该算法具有较好的吞吐量,并且保证系统实现了自供能工作。