未来的移动网络将步入“万物互联(IoE)”的时代,海量移动设备的接入将对网络容量产生前所未有的挑战。日益庞大而复杂的无线网络和各种新兴的移动应用使得网络规划、优化及维护的复杂度越来越高。在众多无线网络技术中,超密集网络通过密集部署低功率家庭基站而带来的近端传输和空间复用显著提升网络容量,是第五代无线通信系统(5G)及未来网络解决爆炸式增长的网络容量问题的重要手段。智能化将大大增强网络运营商的态势感知能力,使网络自规划、自优化和自维护成为可能。智能化将推动移动网络从简单的“网络连接”进化到“智能互联”的新时代。本文着眼于超密集网络的无线资源管理,通过对无线云网络(C-RAN)架构下基于博弈论及机器学习的智能资源管理技术的深入研究,解决了网络干扰建模及频谱资源分配的问题。本文主要的工作及创新如下:首先本文对网络节点地理位置可实时准确获知的情况下,基于博弈论的智能资源管理算法进行了研究。提出了一种用户为中心的基于联盟组建博弈的资源分配算法,通过博弈找到一定资源分配原则下较优的用户联盟组建方式。该方法通过不断地合并-拆分尝试将整个网络划分成多个联盟,并依据网络划分(即联盟组建结果)构建反映干扰关系的无权冲突图。然后根据网络节点的地理位置以距离感知的方式确定用户分配顺序,并为冲突图中彼此可能产生强干扰的用户分配正交子信道,并在空闲子信道不可用的情况下为用户分配净收益最大的子信道,以消除用户间强干扰。此外,为了克服以往联盟组建博弈中“每个用户只能分配一个子信道”的局限,本文提出了一种低复杂度的补充分配算法来分配剩余的子信道,以提高系统的频谱效率。最终通过仿真分析证明了该方法能够有效抑制网络干扰进而提升网络容量。其次本文对地理位置信息无法实时准确获知的情况,利用网络中产生的大量上行信干噪比(SINR)数据、资源块(RB)分配数据对上行通信干扰建模进行了研究,提出了基于人工神经网络的上行干扰建模方法。该方法能够有效地分离来自不同干扰源的干扰且不会给网络增加额外的数据传输开销。基于干扰建模结果构造有权冲突图,并将吞吐量最大化问题近似分解为用户分群子问题和子信道分配子问题。其中,用户分群子问题通过提出的一种改进的低复杂度的均衡最小k-割的用户分群算法来解决,该算法识别出了多个彼此干扰较弱的集群;子信道分配子问题通过一个考虑集群间累计干扰的子信道分配算法解决,进一步减少了集群间频谱复用带来的干扰。最后通过仿真验证了所提出的干扰建模方法的准确性以及基于最小k-割的资源分配算法能有效提升网络容量。最后本文对地理位置信息无法实时准确获知的情况,利用网络中产生的大量RB分配数据、新数据指示(NDI)数据、肯定应答(ACK)和否定应答(NACK)数据对下行通信进行干扰建模,提出了基于关联规则的下行相对干扰建模方法。另外,本文提出了一种负载感知的资源分配方法,该方法根据建模的相对干扰强度和时变的网络负载,计算每个用户与其干扰源复用相同频谱资源和分配正交频谱资源的边界。根据各用户时变的复用/正交边界生成各用户的正交干扰源集合,再根据各用户的正交干扰源集合分配频谱资源。仿真结果表明,本文所提出的相对干扰建模方法具有很高的准确性,提出的负载感知的资源分配方法在大多数网络规模和网络负载下,都能取得良好的性能。