随着无线网络技术的不断演进,智能终端的快速普及,以及数据业务和多媒体业务使用量的爆炸式增长,通信网络和社会网络的联系越来越紧密,引起了许多研究者的注意,为其打开了一个全新的视角。其中,社会关系是最基础的社会特征,描述了两个相互连接个体间的连接强度,而社会关系感知是一种间接推断社会关系的方法。本文对雾无线接入网络的关系感知和资源分配方法进行了研究,首先基于手机用户的通话数据、短信数据以及位置数据,利用机器学习的方法,感知出用户之间的社会关系,然后将感知到的社会关系引入到资源分配问题中,从而优化网络的性能。主要的研究工作和创新点包括:1、针对机器学习中监督学习方法在少量社会关系标签数据时预测准确率低的问题,使用基于集成半监督的协同森林(Co-Forest)算法进行社会关系感知。在麻省理工实验室的现实挖掘数据集上,Co-Forest算法在社会关系标签为5%时准确率达到89%,与监督学习的支持向量机和半监督学习的协同训练算法相比准确率分别有24%和2%的提升,且在不同的标签数据百分比时准确率在3%以内上下波动。该算法在少量社会关系标签数据下提高了社会关系感知方法的准确率和鲁棒性。2、针对集中式社会关系感知方法中集中服务器计算负担较重和大量原始数据上传给前传链路带来较大负担的问题,提出一种边缘分层的集成半监督Co-Forest算法,利用位于网络边缘的雾计算节点的计算能力,减小了集中服务器和前传链路的负担,同时多个雾计算节点并行计算,减小了时间开销。3、针对安全性和用户自私性限制终端直通(Device-to-Device,D2D)通信在雾无线接入网络中应用的问题,引入社会感知的D2D进行资源分配,提出一个联合模式选择、波束赋形设计和功率控制的非凸混合整型优化问题,并通过基于分支定界和加权最小均方误差的算法解决。仿真结果显示,社会感知的D2D通信可以提升网络的总吞吐量,有效卸载前传链路的吞吐量。本文提出了一种适用于实际通信网络的社会关系感知方法,并利用感知到的社会关系优化了通信网络的性能,为社会网络和通信网络的结合提供了一种思路。