为了降低系统服务时延和提高用户体验,云无线接入网络(Cloud Radio Access Network,C-RAN)成为5G网络中实现实时性服务的核心技术。虽然C-RAN架构在成本、容量和灵活性等方面都具有很大的优势,但是同时带来一些技术上的挑战。例如,C-RAN架构下的计算资源管理、用户关联等问题都有待解决。因此,如何更加智能、灵活的进行无线资源管理,实现C-RAN架构优越性是一个十分重要的研究课题。针对上述问题,本文做了以下研究工作:首先,介绍了5G网络目前所遇到的技术瓶颈,引出本文所研究的C-RAN场景,并阐述了C-RAN架构在5G网络中的优势和C-RAN架构发展过程以及优缺点。针对现有C-RAN架构下的相关技术进行了详细描述。基于以上描述,提出了几个C-RAN架构待解决问题。其次,针对多用户多远端射频头(Remote Radio Head,RRH)的下行链路C-RAN场景,利用深度强化学习算法,解决了以服务时延为优化目标的用户关联和计算资源分配问题。利用马尔科夫模型进行建模,该框架将信干燥比状态、基带单元池(Baseband Unit,BBU)计算资源状态和RRH缓存状态整合成系统状态,并将优化目标最小化“系统服务时延”定义为奖赏函数。将系统状态输入到深度强化学习模型中得到系统动作,以系统长期累积奖赏最大化为目标进行深度强化学习模型训练。当系统奖赏趋于稳定时完成模型训练,根据系统动作进行用户关联和BBU计算资源分配。为了加快深度Q网络(Deep Reinforcement Learning,DRL)模型训练速度,使用Dueling-DQN和Double-DQN对模型进行改进。仿真结果验证了所提出用户关联方案和计算资源分配策略在多用户C-RAN系统的有效性,可以有效减少系统服务时延。最后,针对具有移动边缘计算(Mobile Edge Computing,MEC)服务器的C-RAN上行传输系统,利用深度强化学习算法,研究了以服务时延和用户设备能耗为优化目标的用户计算任务卸载和资源分配问题。用户计算任务可以根据实际需求按比例分割成两部分,按照比例参数一部分卸载到MEC服务器上执行,另一部分在用户设备上执行。为了训练深度强化学习模型,将计算任务大小和所需计算资源整合成系统状态,并将优化目标最小化“系统服务时延和设备能耗”定义为奖赏函数。深度强化学习模型训练完成后,将系统状态输出到算法方案中得到系统动作,即计算任务卸载方案和计算资源分配策略。仿真结果验证了所提出的计算任务卸载方案和资源分配策略在多用户MEC系统的性有效性,可以有效减少系统时延和设备能耗成本。