随着移动蜂窝网络规模的不断扩大,网络通信请求空时分布不均现象愈发明显,给蜂窝网络规划以及运行维护提出了严峻挑战。蜂窝网络中地面基站节点一旦部署,网络拓扑结构便难以根据用户需求进行动态调整。为了有效应对网络中空时多变的用户通信请求,保障用户通信体验,电信运营商往往通过广泛的部署地面基站,包括宏基站、微基站等,以此来达到网络饱和覆盖的目的。然而过度的地面基站部署不仅带来了高昂的建设成本开销以及运行维护开销,对于一些仅在部分时间段有通信请求的特殊区域（如体育场、剧院等场所）来说,也造成了大量通信资源的闲置浪费,导致通信网络可持续发展受到严重阻碍。近年来,以无人机（Unmanned Aerial Vehicle,UAV）为代表的升空平台技术日益成熟,将通信基站集成到无人机上使其成为可移动通信基站的理念备受关注。一方面,无人机具有移动速度快,操控灵活的显著优势。另一方面,无人机平台成本较为低廉,可以进行大规模的应用部署。将无人机基站引入到传统地面通信网络中,并根据用户空时分布变化及时调整无人机部署位置以及数量,不仅可以有效应对网络中动态多变的通信请求,同时还能够减少大规模地面网络节点部署所带来的成本开销,提高网络通信资源利用效率。在此背景之下,如何设计无人机基站部署与接入方案以精准匹配通信网络中用户空时分布,满足用户高质量通信需求成为亟需解决的关键问题。现有大多数研究工作往往是基于用户实时、精确位置信息开展无人机部署接入研究工作。然而获取海量用户实时、精确位置信息面临计算复杂、成本高昂等瓶颈问题,并且现有网络尚不具备主动感知大规模用户精准位置信息的能力。为攻克上述关键问题,本论文从理论研究层面出发研究提出了一系列基于用户统计分布信息的无人机部署接入方案,其具体研究内容与创新点总结如下:1)为了实现无人机部署与用户分布模式相匹配,研究提出了一种基于用户统计分布信息的多无人机三维空间部署方法。具体地,将三维无人机部署问题分解为无人机水平部署以及垂直部署两个子问题。针对无人机水平部署问题,通过对用户统计分布进行均匀采样建立了人工虚拟力场,无人机在该力场中受到引力以及斥力的影响,通过计算虚拟力场内无人机受力平衡点最终确定了无人机水平部署位置。在此基础上,通过利用经典粒子群算法确定了无人机垂直部署位置。为了验证所提算法的有效性,引入了真实场景用户分布数据集,仿真结果表明所提算法不仅可以实现无人机与真实环境中用户分布的匹配部署,同时可以有效改善网络吞吐量性能。2)针对用户分布动态变化的实际通信场景,为了减少无人机部署响应时间,提升无人机部署方案的时效性,创新性地将传统无人机部署问题转换为深度学习领域中的回归问题,提出了基于深度卷积神经网络的无人机实时、按需部署方案。通过利用少量的用户分布样本数据以及与之对应的无人机最佳部署样本数据分别构建了深度神经网络训练数据集、测试数据集,在此基础上构建深度神经网络损失函数并采用经典梯度下降算法调整深度卷积神经网络参数以最小化系统损失函数,最终建立无人机预测性部署框架。仿真结果表明所提方案实现了在保证无人机部署位置精准性的同时兼顾了无人机部署时效性。3)考虑地面基站与无人机共存的蜂窝网络,无人机作为中继负责转发用户通信数据到基站,为了最小化网络中通信所需的发射功率,提出了基于强化学习理论与最优传输理论的中继无人机部署与接入联合设计方案。具体地,首先将无人机部署问题建模为马尔科夫决策过程,提出了基于多智能体Q学习的无人机部署框架。在该部署框架内,无人机动作选择机制依赖于用户关联设计,为了获取最优的无人机动作策略,本文引入了最优传输理论推导了最优的用户关联方案,并证明了最优用户关联方案的唯一性。通过上述联合设计最终形成了无人机中继按需部署、接入方案。仿真结果表明,所提方案不仅实现了较为均衡的网络负载分配,同时大幅降低了通信传输所需的发射功率,有效提升网络能效性能。4)面向未来通信需求与计算需求共存场景,无人机作为边缘计算节点负责对用户卸载的任务进行本地计算处理或者将其卸载到云服务器上进行处理,为了降低网络中用户及无人机的通信计算能耗开销,研究提出了无人机边缘计算节点部署、接入、任务卸载联合优化方案。具体地,将建模的联合问题分解为三个子问题,首先利用用户统计分布信息研究提出了基于改进虚拟力场的无人机移动边缘计算节点部署方案,实现了无人机节点根据用户分布自适应部署。在此基础上,利用最优传输理论与凸优化理论联合设计了用户关联策略以及无人机移动边缘计算节点任务卸载策略。仿真结果表明,相比基准方案所提方法可以实现网络通信与计算能量开销最小。综上所述,针对现阶段无人机网络节点部署接入方法的不足,本文提出了一系列基于用户统计分布信息的无人机按需部署接入方法,实现了无人机网络拓扑结构与用户分布的精准匹配,大幅提升了无人机网络通信性能与资源利用效率。