对于无线网络而言,在当前可用频谱资源仍然极为有限的客观条件下,高效智能化的网络管理技术是提升网络整体性能的一种重要途径,其中资源优化分配技术对网络性能瓶颈的提升更是起着重要作用。因此,本文基于长期演进(Long Term Evolution,LTE)单小区下行链路的实验背景,主要针对现有调度算法中存在的由于资源块相互影响而导致的实际传输数据量减小的问题,负载变化情况下的调度问题以及最优调度值策略可能造成的局部最优问题,提出了基于机器学习的下行链路分配算法。本文的主要研究工作如下:(1)针对由于资源块相互影响而导致的实际传输数据量减小的问题,提出一种基于资源块传输数据变化量的资源调度算法(Resource Scheduling Algorithm Based on Data Variation Transferred by Resource Blocks,RSA-DVTRB)。首先介绍了LTE单小区下行链路资源分配的基本流程,并从理论上证明LTE下行链路资源分配的过程中实际存在由于资源块信道质量的相互影响而导致实际传输数据量减小的问题;然后从算法实时性的角度考虑,直接使用实际传输数据量变化值作为新的调度指标值;接着将公平性因子和RSA-DVTRB算法结合构建了新的基于资源块传输数据变化量与公平性因子的资源调度算法(Resource Scheduling Algorithm Based on Data Transfer Quantity and Fairness,RSA-DTQF)。仿真结果表明RSA-DVTRB算法相比现有的强调吞吐量优化的算法在频谱效率上有了一定程度的提升,而RSA-DTQF算法则是对RSA-DVTRB算法的公平性进行了强化。(2)针对负载变化情况下的调度问题,提出一种基于负载需求的自适应调度切换算法(Adaptive Scheduling Handoff Algorithm Based on Load Demand,ASHA-LD)。首先从理论上分析不同负载状况下,不同的算法在网络开销和系统性能上会取得不同的效果;其次基于机器学习训练了关于系统负载状况的分类判断器;最后基于分类判断器的输出结果实现比例公平算法和RSA-DTQF算法之间的切换,并以此来验证分类器的判断效果。仿真结果表明ASHA-LD算法能够通过较小的网络开销实现和RSA-DTQF算法接近的性能,因此可以证明分类判断器能够有效的对系统负载状况进行判定。(3)为了探索更加有效的资源分配策略,提出一种基于强化学习的资源分配优化算法(Resource Allocation Optimization Algorithm Based on Reinforcement Learning,RAOA-RL)。首先基于下行链路资源分配的特性构建了马尔科夫模型;然后使用了深度Q-learning网络(Deep Q-learning Network,DQN)算法训练了强化学习资源分配模型;最后构建了次级调度方式并运用仿真环境验证了强化学习模型。仿真结果表明,强化学习模型算法能够有效的改善系统性能,其中次级调度方式也能够有效的改变优化的侧重点。