由宏站、微站、微微站联合构成的异构网络(Heterogeneous Networks,HetNets)是满足用户持续增长的数据业务需求和提高网络容量的关键技术之一。与此同时,在宏站与微站、微微站间引入无线回程技术,可极大提高网络部署的灵活性。但由于用户分布及用户业务需求的多样性,以及接入与回程资源利用的冲突性,从而为网络一体化资源分配技术带来了极大的挑战。本文将多小区关联和小区合并技术应用到异构无线接入与回程一体化网络中,并与网络流量预测相结合。针对异构网中使用大规模天线阵列的宏站和密集部署带内无线回程微站的场景,本文研究了异构无线接入与回程一体化网络中,下行链路多小区关联和小区合并下的带宽资源分配方法,以及网络动态变化时,基于用户特征建立机器学习融合模型,从而预测网络波动的资源分配预规划方法。本文提出了多小区关联和小区合并的联合优化方案。通过多个小区(包含宏站和微站)在统一带宽分配下共同为用户提供服务,能够有效提升用户平均速率,当宏站负载过重时,将用户与微站关联为宏站减轻负载,充分协调微站资源,提高网络容量和用户平均速率。但由于实际网络中基站天线密集部署不规范,不同小区之间产生严重信道间干扰,造成小区边缘用户的速率过低。本文通过基于用户的小区合并算法,进行网络结构调整以消除邻道干扰,提升网络公平性和小区边缘用户服务质量。因此,本文开发了基于多小区关联和小区合并技术相结合的迭代算法,使异构网络中以对数总容量为目标函数最大化。将异构网络中对数总容量数学模型表述为非凸的混合整数非线性规划(Mixed Integer Nonlinear Programming,MINLP)问题,并通过松弛优化分层分解的拉格朗日对偶方法转化为两个凸子问题求解。仿真结果表明,提出的联合优化算法得到了异构网络中用户对数总容量的近似最优解,用户平均速率至少提高12%,网络容量显著提高。另外,现实场景中由于用户分布、密度和业务类型等特征不同,使得异构网络中吞吐量和在线用户数动态变化,且异构网受成本限制不能实时调整网络、改变用户的小区关联和调节带宽资源分配。因此,本文设计了双层融合模型来预测下一个时段的网络吞吐量和在线用户数,根据预测值合理分配网络带宽资源和提高网络带宽利用率,解决网络流量拥塞并提升用户服务质量。本文运用Kaggle平台上的真实运营商数据,进行数据清理和特征工程分析,通过对比双层融合模型与传统机器学习模型的仿真预测结果,证明融合模型有效提高了预测值的精确度。基于流量和在线用户数的预测结果,结合第三章提出的多小区关联和小区合并的带宽分配算法,提前进行资源分配和网络规划。实验结果表明,异构无线接入与回程一体化网络中,基于用户特征预测的多小区关联和小区合并的带宽资源分配算法,显著提升了网络整体吞吐量和用户服务质量。