随着无线通信技术的高速发展,第五代移动通信技术（5th generation mobile networks或5th generation wireless system,5G）技术从国家发展战略中的名词,一步一步变成现实生活的一部分[1]。5G技术为实现万物互联构想奠定了坚实的基础,极大提升了无线网络在社会中的使用价值。而无线局域网络（Wireless Local Area Network,WLAN）可以作为5G的补充,在很多场景都有广泛的应用。当前802.11协议标准的发展趋势,无线接入点（Access Point,AP）的高密度覆盖已经成为提高无线局域网络服务质量与速率的关键。由于高密度覆盖的AP之间会产生相互的干扰,这一点严重影响了无线局域网络的使用价值。因此本文提炼了高密度AP分布网络这一场景,针对AP相互干扰严重这一问题,提出以下解决方法,全文的主要工作如下:1、针对无线局域网络饱和吞吐量估计困难的问题,本文研究了基于Bianchi[2]关于单AP饱和吞吐量估计的建模,并在此基础上构建可以估计无线局域网络整体饱和吞吐量的模型。本论文提出的模型通过对Bianchi提出的单AP行为模式进行推广,将其引申到高密度AP分布的场景下,然后将对Bianchi模型进一步推导计算,得到符合高密度AP分布场景下无线局域网络饱和吞吐量的估计方法。但需要注意的是,该模型估计的是高密度AP网络场景的下行传输饱和吞吐量。2、高密度AP分布的无线局域网络动态场景,它受到用户行为的影响很大,具有很强的马尔可夫性。针对这一状况将空闲信道评估阈值与AP信号发射功率的控制问题建模成马尔科夫决策过程（Markov Decision Process,MDP）[3],并利用深度强化学习算法中的确定性深度策略梯度（Deep Deterministic Policy Gradient,DDPG）来找到整个网络的最佳解决方案。传统的方法往往是基于规则或者模型对空闲信道评估阈值和AP信号发射功率进行调整,但对于高密度AP分布的无线局域网络这一场景下,传统的方法往往会耗费大量的人力物力,但不能得到很好的决策方案。强化学习的优势在于解决决策问题（Decision-Making）,因此强化学习非常适合用于解决无线局域网络参数设计的问题,本文的仿真实验结果也进一步证实了这一结论。3、针对高密度AP分布的无线局域网络,参数调优方案的设计难度随着AP数量的增加以指数级别增加。提出根据AP间的干扰关系,可以将AP分布情况建立为图模型G（ν,ε）。将DDPG中策略网络和评价网络的传统神经网络替换为图卷积神经网络（Graph Convolutional Network,GCN）与传统神经网络的结合,通过这一方法,决策成本可以进一步降低,使得DDPG算法可以更快的收敛到一个稳定的状态。这样一来,不仅降低了训练成本,并且提高了算法的实时性,这样算法便可以在更为复杂的环境下降低网络的同频干扰,提高网络的饱和吞吐量值。