异构网络是5G移动通信系统的主要组网形态,其灵活的网络部署特性、良好的覆盖能力、以及高效的能量和频谱利用率,是实现5G系统“信息随之,触手可及”美好愿景的重要支撑。然而,异构网络的引入对网络部署和优化提出了全新的挑战,如宏微基站覆盖范围差异导致的用户关联问题(基站负载不均衡等)以及同层和跨层基站间干扰情况复杂导致的调度问题(边缘用户通信质量差和公平性等)。这些新变化会直接影响通信资源分配以及用户体验。因此,研究异构网络下资源配置显得尤为重要。基于以上背景,本文以提高边缘用户的吞吐量为主要目标,并同时兼顾系统负载均衡和吞吐量等整体性能,对异构网络下用户关联和资源调度算法进行了研究和设计。论文的主要研究内容和创新点如下:在用户关联方面,本文通过对已有用户关联算法研究,提出了改进的基于贪婪算法和BP神经网络的用户关联算法。其基本思想是通过获取基于贪婪算法的用户关联算法的参数和结果作为训练数据,依靠BP神经网络的自我学习能力,经过训练后得到可以准确预测并判决用户关联结果的网络。仿真结果表明,相较其他算法,该算法可以在得到较优用户关联结果的同时,不需要遍历权重并降低了算法复杂度,可以极大的降低判决时间;且同时可以输出协作基站簇的选择结果,为协作基站簇选择算法设计提供了新思路。在资源调度方面,本文通过对已有调度算法研究,提出了一种改进的异构网络下资源块(Resource Block,RB)分配算法。通过对协同多点(Cooperation of Multiple Points,Co MP)系统中RB资源分配过程的分析,本文将RB资源分配问题进行分解,提出了一个基于分布式和集中式联合的二进制粒子群(Particle Swarm Optimization,PSO)调度算法。其基本思想是根据Co MP技术的特点和宏微基站属性的不同,将整个调度过程分解成三个步骤:RB资源划分、基站的分布式和集中式联合以及基于二进制PSO的调度。仿真结果表明,该算法可以有效的降低RB分配时的竞争,降低运算复杂度,并能够通过为边缘用户和中心用户合理的分配RB资源,在提高边缘用户吞吐量的同时,保证整体吞吐量损失不大。