近些年来随着Internet的飞速发展,网络规模在不断的增加。特别是不断发展的移动通信网络,使得节点的加入或者离开变的越来越频繁,维护网络信息的开销变得越来越大。有必要使节点有感知网络状态的能力,并随着网络的变化而改变网络路由策略。认知网络CN(Cognitive Network)是针对这些需求而生的。传统的路由算法已经不能满足未来网络的需求,蚁群算法受自然界蚂蚁的集体行为启发而提出来的启发式人工智能算法,在求解TSP问题取的了很好的成果,已经被广泛运用于车间作业调度问题,机器人领域,路由组播等NP完全问题。本文在查阅和研究蚁群算法的基础上,针对认知网络的特点对算法进行了改进。增加了蚁群路由算法的一些认知性因素,并对算法的收敛速度和探索目的节点的选择上进行了探讨,最后研究了认知网络中的QoS。本文第一章介绍了认知网络的基本概念及其路由框架,并介绍了蚁群算法的基本概念和原理。第二章介绍了蚁群路由算法AntNet的基本原理,并对蚁群路由算法进行改进,使算法能更适合认知网络。通过增强对链路状态的认知,增强了算法认知网络状态的能力,在一定程度上提高了数据流选择最优路的概率,从而降低了数据流的时延和丢包率。通过增加拥塞避免机制,从而增强了算法的拥塞避免能力,降低了数据流的丢包率。通过调整网络中的蚁群数量,从而使网络开销和探索路径信息能力相适应,提高了网络性能。在本文第三章,通过对蚁群算法探索目的节点的选择的改进,增加了算法对网络中业务数量多或者规模小的业务的支持,提高了数据流的网络性能。通过对网络流量模型更新机制的改进,提高了算法的收敛速度,降低了节点探知到最优路的时间,从而降低了数据流的时延。本文第四章介绍了QoS的基本概念和蚁群QoS路由算法的基本思想,通过对蚁群QoS算法的改进,降低了算法实施的复杂度和路径维护成本,并通过实验实现了蚁群QoS路由算法。本文第五章是全文的结论和总结。