随着无线通信技术的飞速发展，人们对无线宽带业务的需求不断提高，而无线频谱作为一种不可再生资源正变得日益紧张，提高通信的有效性和可靠性依然是现代通信技术发展的根本出发点。认知无线电依靠人工智能技术的支持，采用伺机动态频谱接入，能有效提高频谱资源的利用率，为缓解当前频谱资源紧张提供了新的思路。认知引擎作为认知无线电的智能核心，以软件无线电平台为基础，驱动着认知循环的运行，优化认知节点在认知网络中的操作参数，对实现认知系统的重构具有重要的指导意义。本文针对认知引擎中的优化决策和学习推理技术展开研究，重点关注基于遗传算法和基于案例推理的认知引擎设计，主要内容包括：　　1）总结介绍了认知引擎的概念和功能，分析了现有认知引擎的设计思想，提出了一种新型的认知引擎架构。在此基础上，以认知用户申请接入为例，阐述了认知引擎的工作流程，并就认知引擎设计的关键技术和面临的挑战进行了总结分析。　　2）对基于遗传算法的认知引擎展开研究。在多载波通信系统中，实现了基于遗传算法的传输参数优化，针对基于目标加权遗传算法的漏解问题，采用非劣分层遗传算法进行了改进，仿真结果表明，该算法通过牺牲一定的收敛时间，提高了认知引擎的优化效果。　　3）对案例推理技术在认知引擎中的应用展开研究。当认知用户增多时，基于遗传算法的认知引擎往往存在优化速度慢等不足，提出了一种基于案例推理的认知引擎优化算法，利用案例推理寻找匹配案例，为遗传算法提供初始种群，减小了其在选择初始种群时的盲目性，从而提高了收敛速度。在IEEE802.22无线区域网环境下进行了仿真分析，结果表明，在案例库规模足够大的情况下，和基于遗传算的认知引擎相比，融合了案例推理的认知引擎收敛速度和优化效果都有显著的提高。