近年来,各种智能设备和蜂窝网移动用户数量快速增长,移动数据流量也随之激增,而由于当前通信网络无线资源有限,重复传输大量相同的内容导致资源浪费,回程链路拥塞,通信时延增加甚至通信中断。而雾无线接入网这一新兴的网络架构可以解决当前通信网络面临的上述问题。在雾无线接入网中,边缘节点具备一定的计算和存储资源,通过将流行内容存储到用户附近的边缘节点,即可避免用户从云端反复下载重复内容,进而有效降低链路负载与传输时延。然而,由于边缘节点的存储资源有限且内容流行度未知,需要在新的网络架构中研究一个能精确预测流行度的高效内容缓存策略以提高整体缓存增益。本文就上述研究重点,对雾无线接入网中的边缘缓存问题展开系统研究。首先,研究了基于内容流行度的内容缓存策略。在流行度已知的情况下,该内容缓存策略包括两个阶段:主动缓存保证用户请求初期的缓存增益,被动缓存保证用户请求中后期的缓存增益。主动缓存中,建立多个边缘节点的协作缓存问题,通过求解0-1整数线性规划问题,得到内容缓存策略最优解以最小化用户请求带来的网络代价。在被动缓存中,考虑到用户请求的随机性,根据用户请求实时追踪内容流行度的变化,调整缓存空间内容,进一步降低实际的网络代价。最后通过仿真实验,验证该内容缓存策略能够有效降低网络代价,提高缓存增益。其次,研究了基于深度学习的内容流行度预测方法。充分考虑用户的移动性,内容流行度的时空变化性、趋势差异性,以及边缘节点的资源限制,该内容流行度预测方法在仅利用内容请求次数这一个内容特征的前提下,通过训练双向长短期记忆神经网络,为每一位用户学习一个位置预测模型并为每一个流行度趋势类别学习一个内容流行度预测模型。位置预测使得流行度预测针对特定用户群体,进而提高流行度预测精确度。特别地,结合深度学习和k近邻算法进行流行度趋势分类以保证分类后的流行度预测精度,同时,提出一种新的损失函数使流行度预测模型避免过拟合并对较高流行度的预测更加敏感。最后通过仿真实验,验证该流行度预测方法的流行度预测值接近真实值,且预测精度明显优于传统方法。最后,研究了基于深度学习的边缘缓存策略。通过结合上述基于内容流行度的内容缓存策略和基于深度学习的流行度预测方法,弥补了各自存在的不足,提出基于深度学习的边缘缓存策略。为验证其能够应用于雾无线接入网,分析了该策略的时间复杂度和空间复杂度。此外,设计了边缘节点的内部结构,使得边缘节点之间及其与云服务中心之间能够相互配合,完成该边缘缓存策略。最后通过仿真实验,验证较传统策略,该边缘缓存策略能够明显降低网络代价。