近年来,通信业务的不断升级以及用户终端数量的持续增加,对无线通信技术提出了更高的挑战。作为无线通信技术的关键基础,无线通信环境认知技术对于提升通信性能以及提高资源利用率至关重要。频谱感知技术和无线传播模型是无线通信环境认知技术中的关键部分,频谱感知技术能够为通信节点找到空闲可用信道,从而避免干扰,是保证通信系统高效工作的前提;无线传播模型可以准确评估通信链路的传输损耗,从而为通信参数的选择提供关键信息,是提高通信系统通信性能的关键。本文以上述两种认知技术为研究对象,并结合机器学习技术,提出了智能化的环境认知技术。论文的具体意义和创新点包括:首先,针对机器学习频谱感知方法在动态环境中将消耗大量资源的问题,本文提出了一种基于元学习的频谱感知方法。通过利用元学习的方式将检测器在可能遇到的感知环境上进行预训练,以积累训练检测器的经验。基于此训练经验,在面对一个新的感知环境时,所提方法仅需要少量样本以及执行少量梯度迭代,则可接近传统机器学习频谱感知方法的检测性能。因此,训练损耗被有效减小。接着,考虑到真实标签可能在实际环境中难以获得,以及传统无监督频谱感知方法与有监督检测方法的性能差距,本文提出一种基于迭代无监督学习的频谱感知方法。该方法借鉴迭代思想,在每次迭代中,利用协同频谱感知来获取更准确的样本标签,随后通过有监督学习算法来在每个感知节点上构建出更准确的个体检测器。通过此种方式,标签的准确度以及个体检测器的检测性能都会随着迭代次数的增加而逐渐增加。当迭代收敛后,所构建的检测器可以达到与有监督学习频谱感知方法相近的性能。最后,针对现有智能无线传播模型在不同通信环境下适应性差的问题,本文提出一种自适应于不同场景的智能无线传播模型。启发于经验模型在路径损耗预测上的成功应用,所提方法借鉴其对于频率、距离等特征在不同场景下的处理方式,对现有模型的常用输入特征集合进行了扩充处理。接着,所提方法利用启发式搜索算法,针对性地为当前建模环境搜索出最适合的输入特征子集,从而避免模型受到无关或冗余数据的影响。最后,经过该特征子集训练后的智能无线传播模型可以在建模区域下达到更好的预测性能。