为了满足未来网络中超高速率,大吞吐量,超高可靠性,超低延时等指标,新兴通信网络将越来越向着异构化、超密集化、多元化方向发展,这也导致这网络系统内部的干扰也会变得多层次、复杂化,强烈的内部干扰与资源的碰撞等问题将极大的限制着系统的容量以及服务质量,所以对于这些新兴的通信网络急需合理的资源调度策略,有效而且完善的资源调度策略。可以减少任务的执行时间和费用、改善服务质量、增加整个网络系统的吞吐量、提高整体资源利用率。而一般传统的资源调度策略已无法应对这种多层次、超密集的复杂网络结构,且不能很好的适应环境变化,所以为了充分利用网络自身的条件和系统的环境变量,通过机器学习等智能化自主学习的算法,设计出能够自我学习自我适应的智能化资源调度技术,有利于让未来的通信网络提高整体性能及环境适应性,成为能够根据环境以及业务需求来自组织,自配置,智能化的最优化网络。本文主要目的就是针对超密集异构网、V2V(vehicle to vehicle)网络等几种主流的未来通信网络模型,通过机器学习中的增强学习等算法,利用系统自身的条件及环境因素,研究出能够自我自适应的智能化资源调度技术。本文主要探索学习了机器学习在直接资源调度决策以及间接系统参数选择这两方面的应用,并且对比了不同学习主体和不同学习方式场景下算法的优劣性,最终给出了仿真结果及分析,证明了所提自适应资源调度算法的有效性。