无线通信技术的快速发展,促使了各类新型应用的产生,运营商提供的服务类型也在飞速的扩展,如短视频、在线直播等等,此时服务类型由传统的“以连接为中心”的服务转变为了“以内容为中心”的服务。这些服务需求不仅有高数据传输效率、低传输时延的要求,同时也需要大量的计算能力和持续的数据处理能力。要想最大化利用有限的无线频谱资源,优秀的资源分配算法是提高整个网络性能的关键,而传统的资源分配算法很难同时满足这些需求。深度强化学习算法不仅拥有非常强的感知能力,可以实现对高维数据的处理,同时也拥有决策能力,使得模型可以针对各种复杂的通信场景做出快速的最优调节,从而降低各种时延,提高网络性能。有鉴于此,本文通过深度强化学习算法来研究以下三种无线通信网络场景下的资源动态分配问题。首先在多小区网络场景下,小区之间同频干扰是影响网络性能的主要原因之一。本文提出了多智能体Q学习算法,通过构建深度强化学习和多小区无线网络的映射关系,提出状态动态添加策略,同时采用深度神经网络加快模型的收敛,从而获得多小区资源分配的次优策略。其次在小型异构网络场景下,资源动态分配问题变得更加复杂。本文采用深度Q网络(Deep QNetwork,DQN)算法,同时结合负载耦合的情况分析了网络的资源动态分配问题,本文论证了 DQN应用在复杂无线网络环境下的可行性,并通过该算法获得小型异构网络场景下的最优资源动态分配策略。最后在多目标异构网络场景下,本文采用多智能体深度强化学习方法来解决异构网络中多目标联合资源动态分配问题。该算法不仅考虑了家庭基站数量的不确定性、分布的任意性问题,同时也考虑了当网络存在多个目标函数时的均衡问题。本文通过该算法获得了在多目标下的最优资源动态分配策略。