随着5G和物联网（Internet of Things,Io T）技术的蓬勃发展,无人机（UAV）辅助的移动通信已经成为无线通信领域最具市场发展潜力的应用之一。无人机凭借着出色的灵活部署、高机动和低成本特性已经在视频拍摄、环境监测、3D建模、测绘、数据收集与信息广播等生产生活方面得到广泛的应用。在数据收集方面,如何高效利用无人机携带的有限能量,合理规划无人机飞行轨迹并优化无人机数据传输策略,是提高数据时效性,保证数据新鲜度的关键所在。本文面向高时效性感知应用场景,以保证数据新鲜度为目标,深入研究了无人机辅助的数据收集问题。其中创新之处如下:（1）针对物联网感知应用场景,提出信息年龄最优的无人机数据收集方法。首先,基于Affinity Propagation（AP）聚类方法寻找最佳的无人机数据收集悬停点,建立无人机数据收集悬停点与地面感知节点的关联关系;在此基础上,基于动态规划或遗传算法,优化无人机飞行轨迹,分别最小化地面感知节点的最大和平均信息年龄。经过理论推导,本文证明:最大信息年龄最优的无人机飞行轨迹是最短的哈密顿路径;平均信息年龄最优的无人机飞行轨迹是以访问节点数为权重的最短哈密顿路径。仿真结果表明,本文提出的方法可以有效降低节点的最大和平均信息年龄,并且通过有效的分簇可以平衡数据传输时间和无人机飞行时间,从而获得最优的信息年龄。（2）在环境信息未知的物联网数据收集场景下,本文分别提出了基于Sarsa强化学习（Reinforcement Learning,RL）和DQN深度强化学习（Deep Reinforcement Learning,DRL）框架的无人机在线数据收集算法。这些算法通过在线学习物联网拓扑和节点的数据采样特性,实时确定无人机的最佳飞行方向,以最小化节点的平均信息年龄并提高无人机能量效率。通过仿真结果比较,我们发现Sarsa算法适用于较小规模的网络,能够获得近似最优的性能;与此相比,DQN算法则能够在较大规模的物联网中提升数据收集性能,因此具有更强的网络适应性,也可以处理更复杂的序列决策问题。