为了提升频谱利用率，解决无限频谱紧缺的问题，认知无线电技术受到了广泛的期待。认知无线电的频谱分配算法已经进行了相当的研究，但是目前的频谱分配算法一般只考虑初次分配的方式，不能适应复杂时变的无线电环境和频繁移动的无线用户。本文对慢速移动状况下认知用户的频谱重分配算法进行了研究，论文充分考虑了随着时间推移授权用户工作状态切换、认知用户移动对认知无线电系统造成的影响，最大可能的降低了重分配的系统通信开销和性能损耗。首先，本文分析了频谱分配算法与图论的联系，对图论相关知识做了介绍，详细解释了着色模型的数学基础、着色理论知识与认知无线电系统的联系，详细研究了极大独立集频谱分配算法的理论基础和实现方法。对移动性管理，即位置管理、切换控制进行了分析，介绍了多种移动性模型。分析了基于博弈论、图论的两种重分配策略。其次，分析并研究了针对开阔地带和市内街区的移动性模型，即随机漫步模型和Manhattan街区模型，并考虑实际情况，加入记忆性因素，提出记忆性行走模型和改进街区模型。对于这两个改进模型，提出相应的预测算法，在一定程度上预测未来的网络拓扑干扰情况，以便进行预见性的频谱分配，避免在下次分配前出现干扰。通过仿真证明了预测算法有相当的效果。研究了授权用户工作状态切换对认知用户使用频谱的影响，并提出计算影响范围的方法，降低授权用户切换时认知用户计算可用频谱列表的运算量。最后，本文针对授权用户工作状态切换和认知用户移动对认知系统的影响，提出了对认知用户进行周期性部分频谱重分配的方式，并解释了部分重分配的具体流程。根据移动性模型和预测算法得到的数据，用整体重分配、子图级别的部分重分配、节点级别的部分重分配三种方法对认知用户完成了周期性频谱分配，并比较了这三种方式的系统效用、公平性、通信开销、重分配性能损耗等性能指标。具体频谱分配的算法使用极大独立集算法和贪婪算法。仿真结果证明了部分重分配的优越性。