大规模多输入多输出技术通过充分利用空域资源获得了极高的复用增益和多用户分级增益,被视为提高通信系统性能的关键技术之一。在多用户系统中,有必要通过波束成形技术解决用户间的干扰问题。除此之外,获取用户信道信息的难度限制了基站可以同时服务的用户个数,因此,需要进行用户选择。本文主要研究多用户MIMO系统下行传输中的资源分配问题,包括波束成形和用户选择以及这二者的联合优化。本文首先研究了多用户MIMO系统中的信道建模问题,分析了多用户MIMO系统中的系统容量。对多用户MIMO系统中资源分配的关键环节进行了研究。将波束成形向量的最优化问题建模为给定目标信干噪比下的功率最小化问题,并得到了不同信噪比条件下的最佳波束成形向量。在波束成形方面,对多用户MIMO系统中发送端与接收端波束成形的联合设计问题进行了研究。提出了基于图学习的分级多用户波束选择方案:将波束对选择建模为多分类问题,利用图神经网络挖掘用户信道信息和拓扑关系中包含的隐含信息。本文在射线追踪仿真器中生成了城市街道中多用户通信场景下的信道参数(包括发射角、到达角、相位、到达时间和接收功率等),通过快速傅里叶变换和标准化等方法对数据进行了预处理和特征提取,并基于Tensorflow平台完成了模型的训练和校准。仿真结果表明,此方案在保证高计算效率的基础上实现了系统的全局优化,并且避免了穷举搜索的组合优化问题,有效地降低了训练开销,能够在更小的波束训练开销下实现和传统波束扫描方法一样的系统性能。系统中多用户个数为8时,波束训练开销下降为传统波束扫描方法的80%。在用户选择方面,本文提出了加入公平性考虑的贪婪用户选择算法,在提高用户公平性的同时改善直接用户选择算法的计算复杂度问题。该算法通过加权和速率最大化的标准进行用户选择,按照比例公平的方式更新用户权重,并通过优化功率分配环节来降低计算复杂度。仿真结果表明,该算法既能获得较高的系统和速率,又保证了用户间公平性和计算效率。在公平性方面,该算法优于其他直接用户选择算法,且表现稳定,公平性因子一直保持在0.95以上。除此之外,此算法的计算耗时随待选用户数的增加呈线性增加,且明显低于其他直接用户选择算法。