无线通信技术的发展,给人类社会生活带来了极大的便利,每个人的社会活动都随时进行着信息传递,个人信息传输的效率和质量应是一个需要重点研究的问题。尤其在5G,6G等高频通信技术下,会有更多的终端接入互联网,需要传输的数据将是以前不可想象的。因此,对于无线通信系统信息传递的全过程,各个阶段的研究必须进行客观深入的开展,才能为人类生活提供更好的保障。在非正交多址（Non-Orthogonal Multiple Access,NOMA）系统中,要对用户的数据进行精准的传输,那么首先要对用户进行区分,也就是用户聚类,以便基站能够准确识别每个用户。在接收端用户接收到信息时,能够准确的进行解调,获得自己想要的信息,这是第一步。在对用户进行分簇之后,要考虑的问题就是对不同的用户根据通信规则进行不同的功率分配,这也是对用户信息进行解调的关键依据。因此,对用户的分簇与功率分配是研究的关键问题。本文也将对这两个问题进行研究。论文的主要研究内容如下:首先,对数据聚类算法进行研究,提出了一种基于无监督学习的用户分簇算法,针对通信系统模型,建立系统容量最大化的优化模型,利用K-Means聚类算法以及改进算法的特点,提出一种新的用户分簇算法,针对用户特征,对用户进行合理分类。在多用户的环境下,通过仿真分析,发现该算法比以往采用的穷举搜索算法的复杂度明显降低,收敛速度也较之前快,系统容量得到提升。其次,针对用户功率分配问题,得益于进化算法的迭代,更新求优的特点,本文比较了遗传算法和粒子群优化算法,发现粒子群优化算法效果更好。于是本文提出利用粒子群优化算法对用户功率进行分配。经过仿真分析发现,本文采用分配算法与现有的算法相比,该算法达到最优值的速度较快,能有效提高系统容量,稳定性也更高。