随着第五代移动通信（The fifth Generation,5G）的大规模商业部署和工业4.0的极速发展,物联网（Internet of Things,IoT）应用从传统的机器类型通信向关键任务通信转变,并对通信的可靠性、延迟和IoT设备电池寿命等提出了多样化的需求。作为5G的三大关键场景之一,高可靠低时延通信（Ultra Reliable and Low Latency Com-munications,URLLC）获得了越来越多的关注和研究。对于自动驾驶、无人机控制和增强/虚拟现实等典型的URLLC业务场景,要满足更加严格的延迟和可靠性要求,给传统蜂窝网络架构带来了诸多挑战。无人驾驶飞机（Unmanned Aerial Vehicles,UAV）具有机动灵活、按需部署、成本低廉的显著特性,利用UAV作为空中基站,为地面设备提供通信服务具有高视距链路概率和灵活移动的优势。采用UAV辅助的智能异构网络架构,可以有效地满足5G网络对容量、延迟、数据速率、可靠性和可扩展性的技术要求,被认为是支持5G三大应用场景的有效解决方案。对于URLLC场景而言,使用UAV提供服务可以通过提高信道质量来保证通信的延迟和可靠性要求。本文面向5G网络中的URLLC业务,提出UAV辅助URLLC通信的网络架构,综合考虑URLLC通信的技术特点和UAV通信的特性,研究了 UAV辅助的URLLC网络中的通信模型和资源分配问题。论文的主要工作如下:首先,针对单个UAV辅助地面IoT网络进行URLLC通信的场景,给出了 UAV空对地信道视距（Line-of-Sight,LoS）传播模型和URLLC通信有限块长编码数据包传输错误概率模型。然后形成了以最小化UAV发射功率为目标的联合UAV功率控制和3D空间部署优化问题。由于延迟和可靠性的约束具有复杂的非凸表达式,该资源分配问题难以直接求解。本文通过推导约束函数的数学性质,将UAV辅助URLLC网络中的延迟和可靠性约束转化为功率和信噪比约束进行求解。最后,通过数值仿真验证了所提算法的有效性,证明了对比其他方案的性能增益。同时,展示了不同延迟和可靠性约束条件下UAV最小发射功率的变化情况。然后,考虑到单个UAV覆盖范围不足、以及UAV的带宽资源紧张等问题,设计了多UAV辅助的URLLC网络中的联合IoT设备功率控制和带宽资源分配算法,目标是最小化系统IoT设备的平均发射功率。该资源分配问题是一个混合整数优化问题,本文基于块坐标下降（Block Coordinate Descent,BCD）的思想,将其划分为三个子问题进行处理。在第一个子问题中,固定UAV的位置和带宽分配方案,优化IoT设备的连接选择,该子问题是混合整数凸规划（MixedInteger Disciplined Convex Programming,MIDCP）问题,可以通过 CVX 工具包中的MOSEK求解器获得最优解。在第二个子问题中,基于子问题一获得的连接选择方案,固定UAV的位置,进行信道带宽和发射功率的联合优化,通过问题转化和拉格朗日对偶分解获得最优的功率控制策略和信道带宽分配方案。在第三个子问题中,基于前两个子问题的最优结果,确定最佳的UAV部署位置。应用BCD算法将三个子问题交替迭代以获得最小系统平均发射功率。通过数值仿真验证了所提资源分配算法的收敛性和有效性,证明了本文所提出的算法相比其他方案可以获得25%以上的性能增益。最后,针对使用固定的UAV部署方案覆盖范围有限以及经济效益不高等问题,考虑了动态UAV辅助URLLC网络的场景。面向自动驾驶中的高清地图下载和AR/VR中的虚拟环境加载等业务,同时满足URLLC对数据传输延迟和可靠性的要求以及数据传输速率的要求,以最大化系统能效为目标,进行了以资源块为单位的资源分配研究。联合UAV位置变化和资源块分配以及数据重传次数的优化是离散的NP难问题,采用传统的凸优化方案求解复杂度较高,难以直接获得最优解。因此,本文首先给出了通信时延、可靠性模型以及系统能效模型,然后提出了一种基于深度Q学习网络（Deep Q-learning Network,DQN）的多智能体深度强化学习资源管理方法,获取最佳的资源分配策略。