认知无线电（CR）是一种无线通信新技术，它能感知周围环境信息，动态调整无线电运行参数，以满足用户需求，改善通信系统性能。认知无线电技术为解决逐渐增长无线业务需求与频谱资源缺乏的矛盾提供了一个可行的思路，因此CR越来越受到学术界的关注，已逐渐成为新兴通信技术的研究热点。对环境的学习、动作决策和参数重配置是认知无线电的关键技术。认知无线网络中，TCP吞吐量是衡量其性能好坏的关键因素之一。目前对TCP吞吐量优化的研究正成为业界关注的要点，比较典型的研究有：1.基于马尔科夫过程（MDP）建模，这类方法需要网络具备完整的知识，而无线环境是多变，部分可观测的，使之具有一定的局限性。2.考虑联合物理层，MAC层来优化链路的性能，但对TCP性能有所忽略。本文通过分析、总结认知无线电网络的学习重构，认知引擎设计，跨层学习等相关技术的研究现状，针对各类用户QoS需求，提出了相应的跨层学习方法，以适应多变的无线环境，提高系统吞吐量。具体工作总结如下：第一，本文通过联合考虑物理层动态信道选择、调制编码制策略以及数据链路层帧长度选择，在满足用户QoS的前提下，以最优化系统吞吐量为目标，提出了联合数据链路层、物理层的跨层学习引擎设计。为适应多变的无线环境，本文将信道模型抽象成一个连续马尔科夫决策过程，引入Q学习算法，实现对信道特性的学习功能，并构建SVM回归模型构造大规模Q值函数逼近器，以有效利用存储空间。在满足用户QoS的前提下，该模型能在多变的无线环境中实现跨层参数配置，且最优化系统端到端吞吐量。在Matlab下搭建无线通信平台，其仿真结果表明，系统在缺乏部分无线环境先验知识的前提下，通过Q学习寻找最优策略和SVM回归逼近Q值函数能够很好实现系统跨层参数配置功能，并收敛到满足QoS的最优状态，有效提高系统性能，实现CR自适应学习和系统重构功能。第二，本文进一步提出一种新的Q-BMDP算法：CR网络中每个用户自主决定物理层（PHY）调制方式、发射功率，MAC层信道接入来找到CR网络中TCP最优吞吐量。由于存在用户对环境感知的误差，本文将此问题规划为一个部分可观测马尔科夫决策过程（POMDP），并将其转换成信度状态MDP，采用Q值迭代找到最优策略。仿真结果显示，该系统能在变化的无线环境下学习最优策略，并有效提高TCP吞吐量。