无线通信技术的高速发展以及无线通信设备的爆炸式增长加剧了人们对频谱资源的需求,然而有限的频谱资源在传统的固定分配策略下并不能得到充分利用,于是致力于通过提高频谱利用率来缓解频谱资源短缺问题的认知无线网络技术应运而生。近年来人工智能领域的强化学习理论研究已获得长足进步,研究者将这一理论应用于认知无线网络领域,在频谱分配以及功率控制问题上取得了巨大突破。本文以深度强化学习为工具,针对认知无线网络中的频谱分配问题做了如下工作:一、多角度说明基于深度强化学习的频谱分配这一课题的科研背景和意义,汇总国内外有关此课题的科研现状。二、概述认知无线网络基本概念及关键技术,包括频谱感知技术与频谱聚合技术,介绍强化学习基础理论以及常见算法。三、研究了单一认知用户场景下的频谱接入问题,综合考虑用户的带宽需求与频谱聚合能力,提出了一套动态频谱感知聚合的解决方案,并采用贪婪策略、强化学习与深度强化学习三种算法实现,从决策准确率、场景鲁棒性以及时间复杂度三个方面比较了三种算法的性能优劣。四、研究了多用户场景下的频谱分配问题,取消用户对频谱资源的固定占用,综合考虑用户的带宽需求与优先级别,使用深度强化学习算法实现了多用户之间的频谱协调使用,解决了多用户强化学习场景下的环境不稳定问题,最后从平均奖励反馈以及各用户的信道质量方面对算法的性能进行了讨论分析。本文将深度强化学习工具应用于频谱分配领域,寻找更加高效灵活的自适应频谱分配方式,在多种场景下取得了一定成果,验证了深度强化学习在频谱分配问题上的可行性。未来的研究方向可以从算法和场景两个角度出发,设计更具适用性的算法以提升性能,建立更具象的场景模型以贴合实际,最终实现高性能高效率的频谱分配。