为了解决未来网络增强现实、超高清视频流等服务带来的EB级移动流量需求和站点密集部署带来的严重累积干扰,业界提出了用户为中心网络(User-Centric Network,UCN),但同时也引入了巨大的调度复杂度,给实时性应用带来了挑战。近些年来一些研究利用深度学习(Deep Learning,DL)技术来解决复杂无线资源调度的实时性问题,其基本思想是利用深度神经网络(Deep Neural Network,DNN)离线学习传统调度算法的输入输出映射关系,最后在部署阶段通过简单的运算预测结果。然而,UCN中网络规模、基站聚簇与干扰协调等多维度上的调度复杂度巨大,使得现有基于DL的资源调度算法拟合性能大幅下降。因此,本文提出基于残差学习的卷积神经网络(Convolutional Neural Network,CNN),对用户为中心网络下的传统数值迭代算法进行离线拟合,并通过在线部署实现实时的无线网络资源调度和干扰管理。本文的主要工作分为以下三个部分:针对站点密集部署下累积干扰严重的问题,本文首先对用户为中心网络下的聚簇和波束赋形进行建模并提出了容量最大化的非凸优化问题,然后引入权重矩阵将问题转化为最小化均方误差(Minimum Mean Square Error,MMSE)问题,最后利用拉格朗日乘数法给出聚簇和波束赋形闭式解。仿真验证了用户为中心架构相比传统基站为中心算法在边缘用户吞吐量上的性能提升。针对用户为中心网络下传统功率分配算法的实时性问题,本文首先提出了用户为中心网络下基于加权MMSE的功率分配算法;然后,提出基于残差学习的深层卷积网络,以有效避免复杂场景拟合能力不足和深层网络易发生梯度消失的问题,同时仿真也佐证了神经网络通用近似定理在无线资源调度问题上的可行性。基于用户为中心网络下实数域的功率分配问题,本文将其拓展到多天线场景下的复数域的波束调度问题,首先基于加权MMSE最大化系统和速率产生大量训练样本用于网络拟合;针对复数域输入输出和用户为中心机制提出基于三个子网络的深度残差神经网络,通过增加输入的特征维度,有效地减少了信息损失,并提升了模型对用户为中心机制的认知度。最后仿真分析了本论文所提方法相比传统复数处理方法的性能以及从不同角度分析了影响网络拟合性能的各种因素。