中继协作通信能够有效对抗信道衰落、扩大通信覆盖范围。安全中继选择可提升中继系统的安全性能,具有重要的应用前景。同时,机器学习已被广泛应用并取得了丰硕的成果,本文将其应用于安全中继选择技术,可以降低选择复杂度、减少反馈开销以及提高频谱利用率。本文的主要研究内容如下:首先,针对半双工单向多中继系统,为降低传统中继选择方案的复杂度与反馈量,本文提出基于监督多分类模型来解决复杂的中继选择优化问题。针对两种信道状态场景,设计了可表征信道特点的归一化实数特征向量,并声明每个样本对应的标签以获得用于训练及测试的数据集。进而,设计了基于支持向量机(SVM)和卷积神经网络(CNN)的监督分类模型,实现了两种场景下分别基于安全容量最大化和主链路容量最大化的智能中继选择策略。仿真结果表明所提方法与穷举搜索方法获得的安全性能差值经量化后小于-30dB,意味着两种方案可获得一致的安全性能,但提出方案计算复杂度明显降低且反馈开销减半。其次,针对全双工双向多中继系统,考虑残余自干扰的影响,将中继选择优化问题建模为多分类问题。在生成数据集时考虑了残余自干扰与信噪比,以增强分类模型对不确定性链路的鲁棒性。在设计分类模型时利用CNN来提取信道的空间相关性,设置卷积核的维度与中继数目相关,为保留输入特征的矩阵特性未使用池化层,实现了基于CNN的智能中继选择策略。仿真结果表明提出的基于CNN的选择分类模型具有较高分类准确率,能获得与传统穷举搜索方案一致的安全性能,且实时性得到显著提升。综上所述,将监督学习应用于无线通信系统的中继选择技术,其将基于数学组合优化的中继选择问题转化为基于监督学习的多分类问题,为智能通信的发展提供了有意义的技术参考。