近年来,互联网在各行各业得到了广泛应用。人们对于无线通信的需求开始呈现爆发式的增长,所依赖的无线频谱资源也出现了严重短缺的问题。传统的固定频谱分配策略已无法满足现阶段的需求。因此,动态频谱分配策略被认为是一种高效的解决频谱资源短缺的方法。认知无线电通过允许非授权用户机会性的接入授权频段从而达到频谱资源的有效利用,这已经成为解决无线频谱资源匮乏问题的一大关键技术。另一方面,随着轨道交通在世界各地的高速发展,轨道交通无线通信因为使用专用频率、行车过程中多普勒频移、车体穿透损耗、频繁的蜂窝切换等原因,导致频谱复用程度低、使用率低下、掉话率上升、接通率低、切换成功率下降等问题已经开始被通信行业所重视。在此背景下,本文提出了几种基于学习和知识共享的频谱策略,以解决轨道交通环境下频谱资源利用的部分问题。首先,本文提出了轨道交通认知基站(Rail Cognitive Base Station,RCBS)的概念。作为其覆盖范围内的频谱管理和分配者,RCBS主要处理穿越其管理区间内的列车的通信需求。RCBS被我们赋予了多种频谱分配策略。第一种是基于两步决策和小量贪婪的强化学习(Reinforcement Learning,RL)频谱分配策略。即通过建立一种新型的状态动作集合,使RCBS进行信道分配的两步决策,并应用小量贪婪的探索模式,解决RCBS在学习过程中探索环境和利用经验进行决策的平衡问题,防止决策的局部最优,提升频谱管理的性能,仿真结果表明,该策略在提升非授权用户吞吐率和减少频谱切换方面明显优于现有的一些频谱分配策略。第二种是基于贝叶斯网络的信道可接入性推测策略。考虑到RCBS在RL的应用过程中,只依据频谱授权用户的存在与否来判断信道的可接入性。贝叶斯推测策略旨在通过RCBS与环境的交互过程中收集到的多种先验信息,利用贝叶斯推测方法计算信道的可接入性,并在接入后使用获得的性能指标对推测进行强化。仿真结果表明该策略能够更好的降低非授权用户在RCBS覆盖区间内的频谱切换次数。前两种频谱分配策略考虑了在单个RCBS区间内的频谱分配方式,而第三种策略通过对信道可用时长的预测,即RCBS通过对授权用户通信规律的记录,计算预测授权信道的剩余可用时长,并将预测结果与前序RCBS进行知识共享,以实现列车在跨区间切换时的最优信道选择。通过对几种切换策略的仿真比较,证明该策略对非授权用户跨区切换后,对后序RCBS覆盖范围内的频谱切换次数实现了有效控制。