在全球互联网普及的同时,4G、5G技术的研究日益成熟,万物联网不再是遥不可及的未来。物联网将会是未来主流的通信类型,智能终端如智能电表、监控器、家电和智能汽车等社会生活常用的物件数量将会呈井喷式增长,因而M2M(Machine to Machine,M2M)业务会相应地大幅增加,且由于MTC(Machine Type Communication)终端具有数量大、业务量小和激活受控等固有的特点,现有LTE无线接入网的随机接入资源不足以分配给同时接入的MTC终端,许多MTC设备将会因为竞争同一接入资源产生冲突,不能及时地接入核心网,因此随机接入控制算法对M2M业务的服务质量具有重要意义。本文从自适应调整接入概率因子和复用前导码资源等角度,以充分利用随机接入资源和降低UEs(User Equipment)的平均接入时延为目的,深入研究分析随机接入控制方案。本文主要包含以下内容:1.针对ACB(Access Class Barring)算法中存在负载估计难度大、精度低的问题,提出系统通过增强学习(Q学习)来感知当前负载相对于最佳工作点的大小,自适应地调整接入概率使得系统能够维持在最佳工作点附近,同时,针对EAB(Extended Access Barring)算法中所有接入等级AC(Access Class)共享同一个接入概率,没有区分时延敏感型UEs和时延容忍型UEs的问题,提出对不同的接入等级AC分配不同的学习率以实现接入概率的差异化,推导和分析学习速率与AC中UEs数量的关系,仿真验证,自适应接入概率能够跟随负载变化而变化,且可以逼近基于理想估计的ACB方法,同时,不同的AC具有不同的平均接入时延,达到区分时延敏感型UEs和时延容忍型UEs的初衷。2.根据定时提前量TA(Timing Advance)来划分小区和复用前导码,提出对不同区域分配不同的接入概率因子以最大化系统总吞吐量。在具有不同TA值的UEs可以复用同一个前导码的前提下,通过对各个区域中UEs数量和吞吐量构建函数关系,可以优化一组接入概率来使得吞吐量函数值最大化。此外,考虑在实际应用中,基站并不知道各个区域的UEs数量,因此本文提出利用复用前导码的结果来估计各个区域中的UEs数量,仿真结果验证,基于前导码复用的接入控制方法比理想估计的ACB方法具有更高的吞吐量和更低的平均接入时延,有效地提升了前导码的利用率,此外,利用本文的估计方法也能够估计出各个区域中UEs的大致数量,在实际应用中具有较高的可行性。