随着无线应用和移动设备的快速增长，对无线电频谱资源的需求也随之提高。无线电频谱是一种稀缺的有限资源，使得人们对频谱资源日益增长的需求和频谱资源紧缺的矛盾日益突出。认知无线电可以解决无线通信技术发展与频谱紧缺之间的矛盾，因而受到广泛关注，成为无线通信技术的研究热点。认知无线电是一种能够提高频谱利用效率的智能无线通信技术。认知无线电网络中包含次用户（非授权用户或认知用户）和主用户（授权用户）。认知无线电技术允许次用户通过调节传输参数（如，发射功率、载波频率、调制方式）来机会式使用空闲的授权用户频谱，实现与主用户之间共享频谱资源，提高频谱资源的利用率。认知无线电需要解决的两个关键技术：一是频谱感知，即通过认知设备对周围通信环境的频谱分析，感知主用户的存在情况和频谱空洞，以期从授权频段中挖掘出尽可能多的可用频谱资源；二是资源分配（称为功率控制），即在频谱感知的基础上，次用户发射机或认知基站通过调节发射功率来满足自身的通信质量并保证不影响主用户的正常通信。本文针对上述问题，从不同层面，提出了几种认知无线电资源分配算法，深入研究了下垫式频谱共享方式下的分布式资源分配和鲁棒资源分配问题。本论文的主要工作如下：（1）为了提高通信系统的传输效率、减小信息交换和计算负担，研究了基于精确参数的认知无线电分布式资源分配问题。针对多用户下垫式频谱资源共享模型，考虑次用户信干噪比（SINR, Signal to interference plus noise ratio）、发射功率和主用户干扰温度约束，提出了一种基于平均干扰温度下的全局分布式资源分配算法，理论分析了算法的收敛性和参数选择范围。该方法在吞吐量和次用户SINR性能方面都优于传统算法。此外，针对平均干扰引起的用户公平性问题，提出了一种基于用户位置信息的混合资源分配算法；该方法根据网络规模大小，在基于平均干扰温度约束下的分布式算法和基于加权因子干扰温度约束下的分布式算法之间进行切换控制，以适应不同网络规模下的动态资源分配问题。（2）为了实现在参数摄动下通信系统的无缝连接，研究了基于有界不确定性的认知无线电鲁棒资源分配问题。针对无线通信网络中存在的估计误差、量化误差和信道时延对传统基于精确参数的名义优化问题（即非鲁棒优化问题）的影响，研究了两类鲁棒资源分配问题：最大化系统总吞吐量和最小化总的发射功率。考虑信道增益、主用户干扰加性不确定性情况下，基于Worst-case方法，将原不易求解的半无限规划问题转换为一个可解的、凸优化问题，并利用拉格朗日对偶原理获得最优解，理论分析了不确定性对传输功率控制和吞吐量的影响。并得到了如下结论：在考虑参数不确定性情况下，鲁棒吞吐量最大化资源分配算法能保证次用户对主用户的干扰不超过干扰温度门限，而传统非鲁棒算法会破坏主用户的通信质量。此外，考虑信道增益欧几里德不确定性描述，将鲁棒发射功率最小化问题转换为凸优化问题，并获得最优解；结果表明，所设计的算法能很好的保证次用户接收机SINR性能。（3）为了提高通信系统在不确定性条件下的容错能力，研究了基于概率约束下的认知无线电鲁棒资源分配算法。由于基于不确定性描述的鲁棒资源分配问题需要精确知道不确定性集合的上界，然而通信系统的随机性（如，信道的随机性、用户接入数量的随机性）会使得提前获得不确定性上界有些困难，因此考虑不确定性的统计模型是很有必要的。首先，在假设已知不确定性分布模型（如，指数分布）条件下，将概率SINR和干扰温度约束的鲁棒传输功率最小化问题转化为凸优化形式，并利用凸优化原理和带有遗忘因子的更新算法获得最优解；结果表明，所提出的算法在收敛速度上优于传统的次梯度和梯度投影算法，而且在鲁棒性和功率消耗方面都优于基于Worst-case原理的鲁棒资源分配方法。此外，针对系统不确定性分布模型不容易得到的情况，研究了未知先验概率信息的认知无线电鲁棒资源分配问题。考虑主用户和次用户中断概率约束（即概率干扰温度约束，概率SINR约束），提出了一种基于分布自由的鲁棒资源分配算法使得次用户总的功率消耗最小。基于最小最大化概率机，将原鲁棒优化问题转换为二阶锥规划问题，并用内点法求解。设计了一种自适应更新算法去估计不确定参数统计模型的实际均值和方差。通过与传统的Worst-case鲁棒资源分配方法和基于高斯分布模型的鲁棒资源分配方法对比，结果表明了该算法的有效性。