认知无线电技术(CognitiveRadio，CR)，被认为是解决当前频谱稀缺现状的有效方法，已经成为近年来无线通信技术研究的热点之一。认知用户的可用频谱，随着授权用户的使用情况以及空间的不同呈现出时变的特征。如何有效地根据认知用户所处的环境状态进行频谱决策和动态接入传输，是认知无线电技术需要解决的关键问题之一。本文旨在研究基于智能学习技术的认知无线电频谱接入策略和功率控制策略。主要研究内容如下:　　第一，介绍了认知无线电的关键技术，结合目前研究状况，分析了在认知无线电网络中频谱和功率分配的成果。结合当前的研究现状给出了本文要解决的主要问题。　　第二，研究了认知无线电网络中基于Q学习的频谱分配算法。该频谱分配算法主要基于部分可观察马尔科夫决策过程POMDP和Q学习算法。在认知无线电网络中，由于次用户的硬件和所处环境限制，次用户不可能完全感知整个频谱，因此，POMDP被用于次用户网络的建模。Q学习能够更充分的利用过去的观察和决策经验来优化当前的动作决策，因此被应用来解决POMDP问题。仿真结果说明了该算法能够提高认知网络的整体系统吞吐量，增加了频谱利用率。　　第三，研究了一种认知无线电中基于强化学习的频谱和功率联合分配算法。部分可观察马尔科夫决策模型被用来建立系统资源分配模型，每个次用户通过强化学习算法来决策和学习接入的频谱和发送的功率。为了更好的适应系统模型，对强化学习中状态空间、动作空间、回报函数等基本要素进行了重新设计，考虑了信道占用状态、信道增益等因素。仿真结果验证了该算法的有效性。