作为下一代网络的核心研究内容,认知无线网络(Cognitive Radio Network,CRN)是受认知无线电技术启发而提出的一种具有认知特征的主动网络。认知无线网络能够感知网络整体状态,据此进行计划和决策,并执行相应的动作,具有推理和学习的能力,被认为是未来通信网络发展的必然趋势。认知无线网络的认知环境是包含无线环境、网络环境与用户环境在内的多域环境,因此认知无线网络需要针对多域环境特征进行感知,即多域认知。相对于网络及用户环境域,CRN无线环境域的认知是较为复杂困难的,特别是无线频谱环境的认知。目前通常认为多域认知技术主要是从多域本地认知层、多域协同认知层以及多域主动认知层三个层次来获取和处理多域环境的感知信息。深入研究多域认知技术,明确各层研究内容,提出认知方法,对认知无线网络的完善和发展具有重要意义。本文在多域认知三层理论框架研究分析的基础上,重点对CRN多域认知关键技术:多域本地认知层频谱感知技术与多域主动认知层学习算法进行深入研究,分别给出了各层有效的新方案,从而完成集频谱感知及感知信息的学习推理等一体化的CRN认知过程。本文主要贡献如下:(1)提出了一种基于采样信号相关性的频谱感知算法。针对认知无线网络频谱感知技术,首先对几种经典的频谱感知算法进行研究,并且从原理及仿真的角度对这些已有算法进行详细说明及优缺点分析。在现有检测算法的基础上,针对低信噪比下的信号检测,提出了本文基于采样信号相关性的新的频谱感知算法。该算法考虑信道多径衰落等信道特征对信号检测的影响,利用过采样的方法加大信号自身的相关性,根据二元假设下相关信息的分布获得两种不同的检验统计量,分别做出本地决策,从而获得两种有效的感知方案,并通过仿真验证了此算法低信噪比下的感知性能。(2)提出了一种基于贝叶斯网络(Bayesian Network,BN)的多域主动认知层学习算法。该算法通过建立相应的认知贝叶斯网络模型,将贝叶斯结构学习引入认知无线网络,直接利用概率理论对感知信息进行学习推理,以获取网络主用户行为的统计关系。算法实现过程中所建立的条件概率表弥补了传统算法不能随网络节点变化做出自适应调整的不足,同时基于条件概率建立的依赖关系表达形式实现了对传统条件互信息的简化。仿真结果表明,该算法相对传统学习算法很大程度降低了计算复杂度。同时给出了一个观察周期内的依赖关系值及条件概率表,进而建立低复杂度的认知网络主用户行为统计模型,为未来网络行为预测及决策提供了具有参考价值的学习结果。