第五代移动通信时代（the 5th Generation,5G）已经到来,接入无线网络的移动终端设备的数目呈指数式增长。与此同时,用户的需求已经不仅仅局限于互发短信和语音通话等服务,社交网络以及多媒体等服务也变成了用户必需的通信服务。正交频分复用技术（Orthogonal Frequency Division Multiplexing,OFDM）以其固有的对抗多径衰落的能力、灵活的用户接入以及较高的频谱利用率使其在4G、5G通信网络中得到了广泛的应用。如何在多蜂窝OFDM系统中进行无线资源分配受到了学术界的广泛关注。然而无线通信环境具有时变性,特别是在高移动性的通信环境中。在某一时刻t,采用传统算法进行资源分配,经过若干时间（35）t,得到资源分配策略A,由于信道的时变性,策略A对t+（35）t时刻的信道环境来说不再是最优解。因此,能够在快速时变的环境中提供实时计算能力的无线资源分配算法是实际通信的迫切需求。本课题将研究协作多蜂窝OFDM系统下行链路的实时无线资源分配方案。在协作多蜂窝OFDM系统中,来自临近小区的同频信号是进行资源分配时必须考虑的干扰项。本文假设全局频率复用,且协作基站间共享信道状态信息（Channel State Information,CSI）而非数据。然而,由于信道估计误差、反馈时延、量化误差等因素,完美的CSI在实际中很难获得。本文假设不完美的CSI,推导出全局频谱效率的表达式。针对基站发射功率受限的全局频谱效率最大化问题,本文将其分解成子载波分配子问题与功率控制子问题,并分别解决它们,然后总结出一种迭代的资源分配算法。在功率控制子问题中,本文采用几何规划和分数规划两种解法。由于深度神经网络（Deep Neural Networks,DNNs）可以将计算复杂度转移到线下,本文采用DNNs拟合该资源分配算法。仿真结果证明了该资源分配算法相比其他算法的优越性,同时训练好的DNNs与原算法的性能相当,且DNNs的计算复杂度大大降低。针对高移动性通信环境,将多普勒频移造成的子载波间的干扰（InterCarrier-Interference,ICI）考虑进来,推导出全局频谱效率的公式,并在基站发射功率受限的条件下去优化该问题。将该问题分成用户调度子问题和功率分配子问题,总结提出一种适合高移动性通信场景的迭代资源分配算法。然而,在高移动性的通信场景中,信道环境变化更快。由于迭代的资源分配算法不能在快速时变的通信环境中提供实时计算,本文训练DNNs以拟合高移动性环境中的迭代资源分配算法。仿真结果显示,该算法是适合高移动性通信环境的资源分配算法。同时,训练好的DNNs具有较好的预测性能,能以极低的复杂度在快速时变的信道环境中提供实时计算,因此更适合高移动性的通信环境。