随着测控通信技术的发展,人们对通信质量和通信容量的需求日益提高。然而,测控通信传输过程中,信道环境复杂、传输资源有限等因素限制测控通信系统的通信性能。在传输资源极其有限的情况下,提出一种高效且高质量的传输模式是测控通信传输的研究热点之一。为了解决这个问题,本文围绕波形自适应技术中的自适应调制技术和自适应功率分配技术展开研究。本文通过对瑞利衰落信道建模,研究时变信道下基于调制方式的自适应传输问题。在传统自适应调制系统的基础上引入了强化学习和神经网络（Reinforcement Learning and Neural Network,RLNN）算法,构建了基于深度强化学习的通信自适应调制系统,通过深度强化学习算法学习信道的变化,并进行行为策略的选择,择优选出适应当前信道的最佳调制模式,以改善系统的传输误码率和频谱效率。针对原始深度强化学习探索效率低的问题,提出了一种改进的深度强化学习算法,该算法将信噪比选择调制方式的固定探索策略改进为自适应选择的探索策略,提高了瑞利衰落信道下可用频谱的利用效率。仿真结果表明,改进后的自适应调制系统误码率和频谱效率均优于基于原始深度强化学习的调制系统,能有效提高系统的通信性能。另外,针对多用户正交频分复用系统的自适应功率分配,提出了一个深度双Q网络算法来解决功率分配的自适应问题。本文的复杂动态功率分配算法,使得智能体能够动态分配功率,并且为了更好的平衡系统容量和用户公平性,在目标函数中加入了公平性约束,可以按照实际需求调节公平约束值,通过不断学习过往的经历,最终得到接近最优解的分配策略。仿真结果表明,相比于传统自适应功率分配算法,该算法可以获得更高的系统容量。