随着无线通信网络的发展,为进一步解决频谱资源短缺,终端用户急速增长的高速率、低时延的需求,应对异构网中宏基站中心负载过盛,频谱效率低的挑战,终端直通的通信技术由于其具有直接进行设备间通信,不需要经过基站转发能有效缓解基站负荷,提升频谱效率,降低通信时延等优势,被认为是下一代通信潜在技术。与此同时非正交多址接入技术,也被认为是6G时代解决通信资源紧张、提升海量终端通信服务质量的关键技术。而以往设备到设备（Device-toDevice,D2D）通信技术通过采用复用时频域资源的方式进行通信,会带来较严重的同频干扰。随着非正交多址接入（Non-Orthogonal Multiple Access,NOMA）技术的提出,带来了新的解决方案,引入新的功率域进行复用,提升了系统性能,但会对蜂窝用户及D2D用户自身造成干扰。这就需要对系统性能有决定性影响的资源分配策略进行合理设计。本文研究目标是在NOMA增强-D2D通信网络中,对子信道与功率进行联合优化分配,以提升系统吞吐量。首先在D2D通信网络中引入NOMA技术,建立NOMA-D2D通信系统模型,针对单小区中用户分布不均以及用户间干扰问题,在发射端处使用信号叠加编码技术,接收端处进行串行干扰消除,同时考虑用户公平性原则和系统各参数约束,建立联合子信道和功率优化的资源分配最大化问题。其次针对难以直接求解MINLP的资源分配问题,剖析简化,提出一种基于启发式算法的最优分支界定分配法。针对启发式算法搜索最优解穷举搜索无策略,收敛缓慢性能差的问题,在搜索过程中从最小成本节点切入,将分支节点与约束条件及非线性子问题关联,搜索过程对不可行节点以及非最优节点进行剪枝,进一步缩小搜索范围,为避免陷入局部最优进行回溯全局判断,从而找到最优解使系统和速率最大化。通过仿真实验证明本文所提出的NOMA-D2D系统中的资源分配算法在提升系统和速率性能方面有明显优势。最后为进一步加快最优分支界定分配算法收敛,使性能更优加入模仿学习学习最优剪枝策略。为了使算法具有良好泛化性同时提升系统吞吐量,在有监督学习的特征标签设置时同时考虑了数据结构与系统参数,并且在训练过程中采用了能节省空间并提高泛化性的数据聚合在线学习法,从而达到联合子信道及功率分配最优。实验结果证明所提出的基于模仿学习的加速资源分配算法具有较好的泛化性且能最大化系统和速率。