一直以来,网络吞吐量都是传统无线通信最为重要的性能指标,然而当前涌现出的大量新型应用,如工业自动化,高精尖远程控制技术等,对通信的可靠性与时延等性能有了更严格的要求。由于这些应用传输的码字普遍较短,导致传统的无线传输技术不再适用。为应对这一挑战,超可靠低时延通信(Ultra-reliable and low-latency communication,URLLC)技术提供了一套有效的解决方案,该技术利用有限码长信息理论,对码字较短时的信息传输有着更加精准的描述。另一方面,基于无人机(Unmanned aerial vehicle,UAV)的无线通信最近被认为是一种具有极大应用潜力的下一代移动通信网络的通信辅助技术,与传统的解决方案相比,无人机无线通信具有许多新的优势,例如按需灵活部署、三维空域高度可控、空地信道视距特性和较高的网络灵活性等。当超可靠低时延通信技术与无人机辅助通信技术相结合时,会产生巨大的系统优势。首先,超可靠低时延通信技术会使得无人机所支持的通信网络更加精准高效,适用于更多新颖的场景,而无人机辅助技术又能提升超可靠低时延通信网络的覆盖面积。因此,研究如何综合利用两种技术的优势,实现基于无人机辅助的超可靠低时延通信具有重要的实际和研究价值。基于上述理由,本论文研究了一种基于无人机辅助的超可靠低时延通信物联网通信网络,其中一个无人机充当空中基站,从一组地面传感器收集信息,然后发送处理后的数据(例如控制信号)给它们各自的地面执行器。本论文的主要内容如下:1)基于无人机辅助的超可靠低时延物联网通信网络的联合无人机位置和无线资源优化分配的离线算法。本论文的目标是通过联合优化无人机的部署位置、通信时延和无人机发射功率分配来最小化区域中传感器-执行器通信对的最大误包率,并满足时延约束和无人机的总功率约束,以提高通信系统的性能。该问题是一个非凸问题,难以求解,因此本论文将它分解为三个子问题,分别进行求解,最后迭代得到原问题的局部最优解。仿真结果显示了无线资源优化分配可以在一定程度上补偿因为无人机部署的差异而带来的劣势,并且揭示了在两跳的通信系统中,联合上下行链路优化的系统性能相比于单链路优化的系统性能会有显著的提升。2)在研究内容一的基础上,将研究拓展到地面设备具有移动性的场景下,提出了非完善网络状态下基于增强学习的无人机飞行轨迹和无线资源优化分配在线算法的研究。当地面设备可以自由移动时,由于其移动状态和信道信息不可预知,常用的优化方法不能再应对这样的问题。因此,本论文提出应用新颖的机器学习方法来解决此问题。具体而言,本论文将无人机的飞行过程细化为具体时隙,在每个时隙中采用传统的优化方法分配无人机发射功率,而在相邻时隙间采用机器学习的方法选取最优的无人机飞行方向,然后通过迭代优化得出原问题的局部最优解。最后,通过数值仿真结果验证了所提算法的有效性,仿真结果表明增强学习算法能成功地应用到无人机飞行轨迹的优化中,也显示了在采用更贴近实际的信道模型时,无人机能有效地规避障碍物,选择增益更大的飞行路径。本论文在物联网的应用背景下,对基于无人机辅助的超可靠低时延通信分别进行了线上和线下设计的研究,研究结果证明这两项技术的结合能有效地提升系统的性能。并且本论文也对这项研究的拓展进行了展望,如考虑基于无人机的计算功能、规模以上无人机群控制技术等。