近年来,网联无人机（Cellular-connected Unmanned Aerial Vehicle,CUAV）受到了工业界与学术界越来越多的关注。其中网联无人机具有导航稳健、可实现大范围的接入、配置灵活、高成本效益（Cost-effeciency）、监管便利、可重复使用基站等优点。尽管蜂窝网联无人机具有以上优点,但是相比于服务于地面用户的传统蜂窝网络,其还具有许多需要迫切解决的问题。一方面由于空地信道模型的特殊性、地面干扰对通信的影响以及地面基站的三维天线增益模式的不均匀性,使得对基站的三维覆盖分析变得困难。另一方面,如何保证网联无人机与蜂窝网稳定的信道环境也是需要解决的问题之一,为了更好地服务于地面的用户,地面基站的天线存在一定的下倾角,导致空中无法被地面基站完全覆盖,无人机在空中飞行的过程中可能会出现与地面基站连接中断的情况。因此,针对以上分析的情况,本文研究了以下内容:（1）为了获得真实情况中的信道状态信息,使用联邦学习的方法构建了无线电地图（Radio Map）,并在构建无线电地图的过程中对用户选择与资源分配进行了优化。（2）我们设计了一种基于深度强化学习的方法对无人机的轨迹进行了设计,解决了传统方法的局限性。本文的创新点和主要研究内容归纳为以下两点:一、针对能够大面积快速安全的构建出无线电地图的问题,提出了一种保护用户数据隐私、允许大量用户参与的构建高精度无线电地图的方法。首先本文在无人机通信网络中建立了无线电地图模型、能量消耗模型、无线传输模型和联邦学习模型,在满足构建无线电地图精度需求时,以最小化系统的本地计算能量和无线传输能量之和为目标。其次,考虑无人机通信系统的资源块有限的情况,对用户选择、带宽分配和无人机部署进行了联合优化,节约了系统总能量的消耗。在对用户选择进行优化时,我们提出了概率用户选择方法,使得在每次迭代中对全局模型参数影响大的用户具有较大的概率被选择,加快了算法的收敛速度。然后根据选择的用户与无人机的位置对通信带宽进行合理的分配,最后使用深度强化学习（Deep Reinforcement Learning,DRL）的方法对无人机的位置进行了部署,进而减少通信能量的消耗。二、针对网联无人机场景,为实现无人机在执行任务时尽可能与地面基站保持可靠连接,提出了一种无人机轨迹优化的方法,减小了网联无人机执行任务时的中断时间。首先对无人机与基站之间的信道、无人机的机载能量消耗进行了合理的建模,然后建立以最小化无人机在完成任务时的中断时间为目标的问题。接着,针对所建立的最小化中断时间的问题,将其转化为马尔科夫决策问题后,采用了多步Dueling DDQN算法来优化无人机的轨迹,进而实现了问题的求解。最终得到的仿真结果证明了所提出的方法要明显优于所对比的算法。