随着通信技术的发展,人们对通信时延和能量效率的要求越来越高。为了降低通信时延,满足室内室外的数据需求,在未来的移动通信网络中,将会密集地布置大量的小基站,从而缩短发送端和接收端的物理距离,提升用户的体验。由用户部署的小基站,配置灵活,在减少干扰的同时还能够有效地降低部署的成本,提高能效。此外,密集小基站的部署还能够解决覆盖盲区问题,实现用户无缝保持连接的需求。大量小基站的接入,使得关于基站端资源优化的研究显得尤为重要。因此,在本文,基于凸优化技术与深度学习理论,将从三个方面对基站端的资源进行优化,具体工作可以总结如下:在能量采集通信系统的资源优化研究中,本文首先介绍了相关的研究背景,主要是传统的能量采集通信系统,以及最近提出的能量借还通信系统。其次,在能量借还通信系统的基础上,本文提出了基站和电网进行能量合作的能量存储通信系统,即基站能够根据自身的传输策略,将多余的能量存入电网来获得能量利息。在能量存储通信系统中,除了基站能够获得能量增益外,电网还能够进一步缓解用电高峰期的供电压力,从而实现双赢。在无线缓存网络的资源优化研究中,本文首先介绍了传统的无线缓存优化模型,主要包括只优化小基站的缓存策略以及联合优化小基站的缓存策略和用户的路由策略这两种情况。其次,在传统的优化问题的基础上,本文提出了基于基站选择的无线缓存网络,将基站的选择也纳入了优化范围。仿真结果表明,相对于随机选择缓存的小基站,平均的用户延迟有所降低。在空间调制系统的资源优化中,本文首先介绍了传统的天线选择算法与功率分配算法的基本原理,并将天线选择问题和功率分配问题重新定义为一个分类问题,然后介绍了用于求解该问题的基于支持向量机的分类算法。其次,本文基于深度学习的理论,设计了一个多层感知机,用于求解天线选择和功率分配的分类问题。最后通过仿真验证了算法的性能。最后总结本文的研究贡献,探讨未来的研究方向。