为保证用户的通信需求得到充分满足,无线网络的发展非常迅速,但仍然面临诸多挑战。一方面,部署不同制式的无线网络满足了日益增长的业务需求,却导致了异构网络的互联互通问题日益严重。另一方面,无线频谱资源短缺与频谱利用效率低下的矛盾日益突出,这不仅是因为频谱资源的物理受限,还源于当前过于静态的频谱分配策略。得益于其灵活、自主和适变的特性,认知无线电可解决异构网络融合的问题,并通过动态的频谱利用有效提升网络的频谱效率,已经成为近期研究的热点。本文以认知无线异构网络架构下的关键技术研究为背景,重点研究了认知无线网络中的资源管理与优化策略,具体包括以下三部分内容：第一部分研究的是认知无线网络中的频谱感知问题。该部分将给出了一个基于多层前馈神经网络的频谱状态预测方案。由于在认知无线网络中,次要用户很难从主要用户那获取频谱的先验信息,一些不要求知道频谱占用的内在分布的模型是非常必要的,神经网络预测模型正好符合此要求。基于以往的检测结果及相应的历史数据,次要用户就能通过神经网络模型预测频谱未来的状态。根据预测结果,次要用户对频谱进行选择性的检测,这不仅使得次要用户能省下更多的时间用于数据的传输,而且提高了检测的准确率。相应的,认知无线网络的传输性能也得到极大的提高。仿真结果表明,论文提出的方案能很好的对频谱的状态变化进行跟踪预测。此外,论文还给出不同频点处的预测结果,证实了所给方案的泛化能力很强。第二部分重点考虑认知无线网络中的时域资源分配问题。本部分,次要用户的能量有效性容量最大化将被建模为一个在次要用户的目标检测概率以及主要用户的干扰容忍阈值共同约束下的优化问题。为获得最优解,首先将原问题变换为一个受感知时长和传输时长共同约束的等价问题。然后分别单独优化感知时长和传输时长,文中将给出上述两个子问题最优解的存在性和唯一性证明,并利用改进型黄金分割迭代算法搜索最优解。最后,再给出感知时长和传输时长联合优化的迭代算法,得到最大的能量有效性容量。理论分析和仿真结果都表明,存在唯一的能量有效性容量,并且论文所提的联合优化算法得到的容量要高于一些现有的方案。此外,联合优化算法与穷搜算法得到的能量有效性容量相差很小,但所提联合优化算法的复杂度远低于穷搜算法。第三部分研究了认知无线网络的负载均衡问题。本部分的研究旨在解决业务卸载策略在认知无线异构网络架构下有效实施的问题。具体来讲,为了解决业务卸载问题,我们提出了两种方案,分别是自适应性的业务卸载方案和基于流量预测的增强型方案。自适应性的业务卸载方案采用模糊逻辑算法来完成业务卸载的决策。改进版的流量预测方案用于提高业务卸载的性能,该方案采用神经网络模型实现小区负载的预测。通过分析仿真结果,证实了所提出的方案能够实现网络间的负载均衡,获得更大的系统容量。论文的最后对全文内容进行了总结,并进一步对后续研究方向进行了展望。