在传统无线通信技术中，频谱是最为稀缺的资源。目前各国对频谱资源的管理采用固定的分配策略，即将特定的频谱授权给特定应用使用。一份来自美国联邦通信委员会的报告指出，时间和地理上的差异可能会造成各种系统的频谱综合使用效率不足10%，即所谓“频谱资源相对匮乏与绝对浪费”的矛盾。因而，一种可以动态感知无线环境，进行机器学习与决策，智能地提高频谱等网络资源使用效率的认知网络构想因应而生。本文通过对认知网络关键技术的研究，在改进了IEEE1900.4架构的三层管理架构基础上，设计了一个认知网络资源管理协议流程。该架构基于实际网络的层次关系，分为核心网层、接入网层和用户终端三个层次，相应的各层执行认知功能的模块分别为网络重配置管理器NRM，接入网网络重构管理器RNRM和终端重配置管理器TRM。协议围绕主要认知功能模块的认知行为和相应数据结构进行设计，各模块运行其算法，通过协议流程传递分组，实现认知网络的资源管理。基于上述架构和协议，本文还实现了一个实验系统。该系统结合基于设备采集和广播的方法来感知无线环境，采用强化学习的方法学习用户行为，并利用BP神经网络预测网络业务量，学习决策的结果指导网络和设备的重配置。实验系统在通信模块和认知模块的基础上，采用高清视频点播服务以说明用户体验。最后，在无线局域网环境下，设计了接入网络选择、负载均衡和资源预留三个场景对认知带来的资源使用率和用户体验改善进行了测试。测试结果充分说明了资源管理架构和协议的优势所在，并验证了实验系统的可实用性。