随着无线通信技术的飞速发展,人们逐渐追求更高质量的通信服务,对移动通信的要求变得越来越高,无线资源日益紧缺。为了解决这些问题,需要一种新的移动通信网络架构来应对目前的网络环境。小蜂窝技术可以弥补宏蜂窝的不足,能够解决盲区、弱覆盖等网络覆盖问题,具有重要的研究意义。此外,调查表明目前数据业务已经代替话音业务成为新的主流业务,数据流量增长迅速并且用户对数据业务的请求主要集中于在线视频、资讯头条等少数热点内容。为了缓解移动通信网络的容量压力,针对同样的内容被多次重复传输的情况,专家们提出带有缓存的移动通信网络架构。因此本文对基于云且带有缓存的小蜂窝网络（Cloud-based Small Cell Network,CSCN）进行无线资源分配方面的研究将具有重要的理论及现实意义。本文以CSCN的下行传输链路模型为背景,提出了一种基于深度增强学习的无线资源分配算法,以最大限度地提高网络吞吐量。论文首先论述了CSCN架构的有关概念,分析了CSCN架构中小基站（Small Base Station,SBS）的吞吐量;接着使用长短期记忆网络（Long Short-Term Memory,LSTM）模型来预测用户的移动位置,并根据用户的移动位置和用户所连接的小基站是否有其需要的缓存状态这两个条件对用户的传输条件进行评分,小基站根据评分选择传输条件最优的几个用户;然后引入博弈论的概念将最大化网络吞吐量问题建模为一个多智能体非合作博弈问题;最后提出了一种基于深度增强学习的无线资源分配算法,使得小基站能够自主地学习,并基于网络环境来选择信道资源,以最大限度地提高网络吞吐量。仿真结果表明,与传统随机接入算法和文献^[40]中提出的算法相比,本文提出的算法使得网络吞吐量有了显著地提升。