目前,通信技术的相关应用已经广泛的服务于人们的生产生活,而无线系统的资源优化技术又是通信领域的研究重点。相较于传统的蜂窝系统,超密集网络拥有更丰富的基站资源,可以为用户终端提供更高质量的服务体验。然而,密集部署的基站不仅带来了严重的小区间干扰,而且容易导致基站出现空载或过载现象。此外,通信环境的参数瞬息万变使得传统功率分配算法难以在实时场景中应用推广。本文针对上述问题进行了研究,提出了超密集无线网络环境下的资源优化算法,主要内容总结如下:（1）本文提出了一个包含多基站和多用户的超密集无线网络的资源优化问题。通过分析论证了当前资源优化存在的问题,围绕用户关联与功率预测,构建了一种以负载均衡和速率为目标的优化模型,这是一个多变量非凸优化问题,难以获取全局最优解,为此考虑将原问题拆分为用户关联子问题和功率预测子问题求解。（2）在用户关联子问题中,为了缓解小区干扰严重、负载不均等问题,提出了负载均衡的关联方法。在优化问题中引入基站的负载情况,结合匹配理论知识,将基站与用户的关联问题建模为基于二分图的匹配问题,通过KM算法求得关联解。为适应KM算法求解的形式,通过拓展基站与用户的集合,并将多余位置的虚拟用户权值置零,减小算法的计算复杂度。实验仿真表明,相比传统算法,所提方案减少了基站空载情况的出现次数,降低了基站间关联用户数的方差,有效的缓解了小区间干扰问题,实现了系统内基站间的负载均衡。（3）在实现负载均衡的基础上研究了功率预测方案,进一步提升网络性能。基于WMMSE算法设计了功率预测方案,在每个基站部署功率分配算法实现分布式功率分配,然而该方案计算复杂度高,难以实际应用。因此引入深度学习方法,重点设计训练了一种1DCNN网络模型学习传统算法输入与输出之间的非线性映射关系。实验仿真表明,设计训练好的1DCNN网络能够快速高效的学习并预测功率,其准确率优于目前常用的深度学习方案达到了98.7%,且计算复杂度更低,适合应用于低延迟通信环境。