无人机具有部署灵活、经济实惠等特点,在通信领域受到了广泛关注。无人机用作空中基站可以提高视距（Line-of Sight,LOS）通信概率,扩大地面基站的覆盖范围,在自然灾害或应急事件发生时,可提供快速、灵活、可靠的无线通信服务。将无人机与物联网技术、移动边缘技术结合,能进一步提升系统适应性,但无人机电池容量、计算资源、飞行速度有限,如何对无人机进行合理的轨迹规划和资源分配面临挑战。本文聚焦研究无人机使能的物联网和无人机使能的移动边缘计算网络中的无人机轨迹规划与资源分配,主要内容如下:（1）考虑无人机作为空中移动基站采集地面物联网设备感知数据的场景,在物联网设备位置信息未知且无人机存在速度约束及覆盖范围约束下,通过联合优化无人机的飞行轨迹和物联网设备资源分配,实现系统能效最大化。提出了一种基于Adam算法训练和果蝇优化算法（Fruit Fly Optimization Algorithm,FOA）选参的DDQN（Double Deep Q-Network）算法,该算法采用变化的ε来选择行为以实现探索与利用折中,采用果蝇优化算法选择DDQN模型参数。仿真结果表明,相比于基于SGD（Stochastic Gradient Descent）算法的DDQN算法、随机选择算法以及静止无人机算法,基于Adam算法的DDQN算法具有更优的性能,系统能效更高。（2）在移动边缘计算网络中,无人机搭载通信资源和边缘计算服务器,接收来自地面物联网设备（用户）的感知数据,处理后将数据返回给物联网设备。通过联合优化无人机的飞行轨迹、用户关联、计算资源分配和盘旋时间,以实现在有限时间内最大化无人机成功服务的用户数。提出了一种改进的深度确定性策略梯度（Improved Deep Deterministic Policy Gradient,IDDPG）算法,该算法在经验回放时,以概率φ选择最大奖励数据和以概率1-φ随机选择数据来训练神经网络,设计了适应该场景的智能体、状态、行为、奖励和Q值,获得了最优的无人机轨迹规划与资源分配决策。仿真结果表明,相比于DDPG（Deep Deterministic Policy Gradient）算法和随机选择算法,基于IDDPG的轨迹规划与资源分配算法具有更好的性能,可以服务更多的用户。