无人机的可控移动性、部署灵活性和对环境的快速适应性,使得无人机成为无线通信领域的一项关键技术,引起了国内外学者的广泛关注。本论文首先研究了无人机作为空中基站,减少对地面用户的干扰,增大网络吞吐量的问题。然后研究了由无人机辅助无线传感网络收集传感器的数据,保证收集数据新鲜度的问题。由于与无人机通信相关的资源优化问题不仅与通信参数有关,还与无人机的飞行轨迹和能量有关,往往是NP难的,传统的优化方法难以得到问题的最优解。本论文采用基于深度强化学习的方法。深度强化学习不需要直接求解复杂的优化问题,而是通过与环境进行交互,不断提升解决问题的策略,来找到问题的最优解,并且当环境发生改变时,深度强化学习方法可以快速收敛到新的最优解。本论文的具体研究内容如下:首先,研究了无人机基站与地面蜂窝网络的融合,无人机基站为用户提供第二路数据链接,从而增加网络吞吐量。我们通过优化无人机与用户之间的关联方式,来保证网络的吞吐量的效用函数的最大化,实现用户的比例公平。采用基于深度强化学习方法的无人机与用户之间的关联算法。仿真结果显示基于深度强化学习的算法与暴力搜索算法具有相近的性能,但是基于深度强化学习的算法时间复杂度小,并且其能够适应环境变化,当环境发生改变时其可以快速收敛到最优解。其次,研究了无人机辅助物联网收集数据新鲜度的问题。为了保证无人机收集数据的新鲜度,我们需要联合优化无人机的飞行轨迹和传感器的调度策略,以最小化无人机收集的数据的加权平均信息年龄。考虑了不规定无人机的终点位置和规定无人机的终点位置的两种情景。采用基于深度强化学习方法的无人机路径规划和调度传感器的算法。通过仿真分析了规定无人机的终点位置对于无人机的收集数据策略的影响,发现不规定终点位置的无人机可以收集到加权平均信息年龄更小的数据。进一步分析了传感器有效覆盖半径和无人机的总能量对于无人机的飞行轨迹和调度传感器策略的影响。最后,基于本论文的研究内容,提出了在未来可以继续进行研究的方向和一些需要解决的问题。