大规模多输入多输出（multiple-input multiple-output,MIMO）系统采用大量天线服务数量相对较少的用户,可显著提升无线系统容量和可靠性。根据5G/B5G不同场景的覆盖需求,本文研究了 sub-6GHz大规模MIMO异构组网以及毫米波（Millimeter Wave,mm Wave）大规模 MIMO 下智能反射面（Intelligent Reflecting Surface,IRS）辅助增强覆盖的智能多阵面天线参数联合调优方法。因此,本文从动态的网络环境中获取用户位置等关键信息,通过改进型深度强化学习（Deep Reinforcement Learning,DRL）和迁移学习算法做出前摄式决策,以提升系统的有效性、可靠性和拓展性,展开了如下两方面的智能多阵面天线参数联合调优方法研究:1)针对宏小区和微小区叠加的异构网络中多小区三维大规模MIMO系统的多基站天线参数优化配置,本文提出了一种基于改进型DRL的智能多阵面天线参数联合调优方法,在用户具有移动性的动态环境中,通过自动调节多阵面的三个关键天线参数,即下倾角、垂直和水平半功率波束宽度,实现用户加权和速率的提升。具体而言,本文采用一种改进型的混合Q-学习算法,利用栅格化的相对粗颗粒度用户位置信息,集成双层神经子网超参数并行更新机制和优先重放缓冲池技术,所设计的神经网络可通过高效学习历史经验,有效提升动态优化问题中用户加权和速率的收敛性能。此外,栅格化的处理有助于基站天线参数配置的自主式框架更好地适应用户不同分布密度的异构蜂窝网络。仿真结果表明,与无栅格化的参考方案相比,用户加权和速率以及网络覆盖率显著提高。除此之外,在大大降低计算复杂度的前提下,本文所提算法的性能更接近于穷搜算法,大大优于基于经验的方法。2)考虑B5G网络中IRS辅助毫米波通信的场景,本文提出了一种毫米波基站天线阵及多IRS反射天线阵的多阵面天线参数联合调优方法。该方法采用了机器学习用来赋能智慧传输波束优化,通过精细的多阵面天线参数调优,即联合调优混合波束赋形及IRS相移,有效解决了富有挑战性的智能多阵面参数联合优化的动态非凸问题。具体而言,由于移动性导致小区内用户处于小区边缘或者基站信号无法直达区域的概率提高,故移动性鲁棒的自适应波束调节机制显得尤为重要,因此本文通过改进深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法,提出基于改进型DRL的智能多阵面参数联合调优方法,仿真表明,知识赋能和双经验池DRL以及迁移学习的收敛速度和稳定性普遍高于一般的DRL算法。除此之外,在大大降低计算复杂度的前提下,本文所提算法的性能更接近于穷搜算法。最后,给出了本文研究内容的总结,并对5G/B5G的智能多阵面天线系统等场景进行了展望。