自5G商用以来,宽带无线通信技术持续快速发展,而频谱资源日趋紧张,传统通信频段已不能满足未来移动通信发展的需要。在B5G及6G系统中应用毫米波频段可以实现更快的数据速率、更大的系统容量、更高的可靠性和更低的时延等。但是毫米波面临路径损耗大,易受环境干扰,覆盖范围小等问题。尽管使用大规模多输入多输出（Massive MIMO）系统结合波束赋形（BF）技术能够有效克服毫米波通信的这部分缺陷,但也面临技术挑战。一方面,大规模毫米波阵列天线的部署能够产生分辨率更高的波束,也就意味着收发两端波束搜索复杂度更大;另一方面,超密集组网可能带来更严重的小区间干扰,同时预定义码本虽然降低了搜索开销,但密集部署基站导致累积和变化的小区间干扰也限制了BF的性能上限。针对以上问题,本文将针对基于特征的毫米波波束搜索增强型技术展开研究。首先,为减少毫米波波束搜索的时间和功耗开销,提出了一种基于通信场景的波束特征选择和预测算法。第一步,根据功率损耗概率最小化准则选择最优特征波束,并利用最优波束概率生成特征波束集（波束索引的子集）。第二步采用基于局部学习的特征选择聚类算法（LLC-fs）获得通信场景的最优波束概率。最后,由于场景化特征波束集与最优波束之间为隐式、非线性映射的关系,利用了深度神经网络（DNN）模型逼近该映射,进而使用离线训练的模型实现从特征波束集到最优波束的预测。仿真结果表明,使用离线训练的场景化DNN模型即可在线预测最优毫米波波束。预测性能可以逼近穷举波束搜索算法,并有效减小波束搜索的开销。其次,为抑制累积的和变化的小区间干扰、降低波束搜索复杂度的同时提高BF增益,提出了基于场景特征和干扰抑制的毫米波码本训练深度强化学习（DRL）算法。第一步,以最大化目标用户的信干噪比（SINR）为优化目标,仅依靠测量接收功率,提出了基于DRL的抗干扰波束模式训练算法,为一个或共享近似信道的一组目标用户训练抗干扰波束;第二步,提出场景化抗干扰波束码本训练算法,算法基于SINR特征矩阵,对场景内的所有动态用户进行聚类,基于聚类结果,为每组用户集群分配并行的抗干扰波束模式训练网络,而多个并行网络则通过感知环境、用户分布特征、干扰来源和阵列损坏情况,自适应优化目标用户集群的波束模式,最终生成抗干扰码本。仿真结果表明,在多种场景下,所提算法生成的码本能够有效抑制干扰、感知阵列损伤、提高BF增益并降低波束搜索复杂度（码本中波束数量更少）。