第五代通信技术(5G)是面向2020年以后移动通信需求而发展的新一代移动通信系统。密集异构网络技术则是保证5G场景下爆炸式业务流量增长的关键技术之一。而大量的微基站部署会导致无线通信系统能耗直线上升,为了提高系统能效,打造绿色无线通信系统,基站休眠技术则由于其易于实现,不需改变硬件等特点受到广泛关注。目前学术上及工业上对基站休眠技术的相关技术研究中,存在算法复杂度过高,基站休眠后部分信息缺失等问题。为了解决上述问题,并以提高无线通信系统的能效为目的,本文提出了两种新的基站休眠技术,对提出的技术进行仿真验证。为了在保证用户服务质量(QoS)的前提下尽可能地降低系统能耗,本文首先提出了一种基于半分布式的基站休眠技术。半分布式休眠技术结合了集中式与分布式休眠技术的优点,该技术分为两大部分,群唤起算法与自休眠算法。以分簇的方式降低运算复杂度,通过宏基站辅助与邻基站辅助的群唤起算法方式解决获取休眠节点信息的问题,通过自休眠算法解决调度不灵活的问题。系统级仿真表明,本文提出的半分布式休眠技术与不休眠技术相比在能耗上平均能降低13%,同时其吞吐率能有平均9%的提升。随后,本文将机器学习的相关技术引入到基站休眠算法中,用于改进提出的半分布式基站休眠技术,提出了一种基于机器学习的基站休眠算法。利用人工神经网络的方式,以簇为单位对微基站进行训练,由于训练的过程可以在远程执行,而基站训练的结果部署于簇中时,可以有效降低系统进行基站休眠算法的运算量。在本文提出的算法中,以基站负载及信号到达角向量作为人工神经网络的输入,以基站休眠状态作为人工神经网络的输出。仿真结果表明,使用基于机器学习的基站休眠技术比半分布式基站休眠技术能耗上降低3.1%,同时保持吞吐率基本不变。