5G移动通信提出了万物互联的愿景,旨在为更多设备提供更多样化的业务服务。各类设备所承载的业务产生的时间空间不同,对通信、计算与存储资源的需求不同,无线网络中的通信与计算负载呈现总量增大但时空分布显著不均的特点,通过大量架设基站以力求实现资源的无缝覆盖成本巨大。在这一背景下,无人机辅助的无线网络被认为是一种对现有无线网络架构的有力补充。通过在无人机上部署通信、计算与存储资源,将一部分“用户-基础设施”链路的通信数据流迁移至“用户-无人机”链路,以及将一部分地面计算任务迁移至无人机上执行,能够平衡网络负载,实现资源的优化配置与高效利用。但与此同时,无人机的引入也带来了诸多挑战:首先,当空地节点距离较远而无人机高度较低时,空地信道全局信息未知,导致平均信道路径损耗恶化严重,业务传输成功率下降;其次,受平台不稳定特性的影响,可能发生某些无人机节点因不可抗力离网,使得网络拓扑不确定性增加,制约多机辅助负载迁移时用户数据速率的提升;接下来,无人机载荷能力有限,存在多维资源受限的约束,使得不同计算任务之间负载迁移策略耦合紧密,难以求解最优的计算与通信资源联合分配策略,导致计算任务完成时间增加。鉴于此,本文对无人机辅助无线网络中的数据和计算负载迁移问题展开研究,利用深度强化学习方法（Deep Reinforcement Learning,DRL）,挖掘业务、信道、以及节点运动中存在的规律性,以应对场景中的未知性、动态性与资源约束,为无人机辅助无线网络提供更高效的负载分配方案、资源分配方案与无人机调度方案。本文的主要研究内容如下。针对传感器大规模接入的场景,本文研究了“无人机辅助信息采集中的数据流量迁移机制”,令无人机充当中继节点,将一部分重负载小区数据流量迁移至轻负载小区。本文构建基于业务初次传输成功率的无人机效用函数,并给出其关于接入点选择和无人机路径规划的优化问题。在接入点选择子问题中,通过设计势函数,证明了纳什均衡的存在性,然后设计算法以获得纳什均衡的解;无人机路径规划子问题由双层深度Q网络（Double Deep Q-Network,DDQN）算法求解,挖掘信道空间相关性规律,以应对全局信道条件未知性导致的路径损耗恶化和业务传输成功率降低的挑战,并在训练中通过基于优先级的采样方法以应对奖励的稀疏性。仿真结果表明,相比基于贪婪算法的接入点选择方案和无人机直接飞向目标区域的路径规划方案,本文所提出的方案能够提升13.2%的业务初次传输成功率,减小3.4dB的信道平均路径损耗。针对大量车载用户产生多媒体内容需求的场景,本文研究了“无人机辅助内容分发中的数据流量迁移机制”,令无人机主动缓存一部分内容,为车辆用户提供内容服务。本文构建了最大化用户平均数据速率关于用户连接管理和无人机调度的优化问题。用户连接管理是将车辆与通信资源匹配,由改进盖尔-沙普利匹配算法（Modified Gale-Shapley,MGS）求解,相比于经典匹配算法,提升了匹配的稳定性。无人机调度指的是通过不断更新无人机的位置与缓存内容以适应地面交通状况的变化,其中,缓存内容的更新由基于最大期望原则的算法求解,路径规划由平均场多智能体深度确定性策略梯度法（Mean-Field Multi-Agent Deep Deterministic Policy Gradient,MF-MADDPG）求解,挖掘不同数量的无人机对车流量与缓存内容变化规律的适应性,以应对网络拓扑不确定性制约用户数据速率提升的挑战。仿真结果表明,相比基于经典匹配算法的用户连接管理机制和基于经典学习算法的无人机路径规划方案,本文所提出的方案能够提升5.3%～16.0%的用户数据速率。针对蜂窝网内连续产生复杂计算任务的场景,本文研究了“无人机辅助边缘计算中的计算任务迁移机制”,令多架无人机组成边缘云,帮助地面基站承担部分计算任务。本文考虑了计算任务间的复杂逻辑关系,构建了计算任务的排队、传输和处理模型。为了将计算与通信资源分配进行解耦评价,本文令这两个维度的决策通过两个智能体进行,并基于反事实多智能体思想为每个智能体分别设计各自的评价函数,提出了两种多演员-评论家算法（Multi-Actors-Critic,MAC;Off-Policy Multi-Actors-Critic,OP-MAC）,挖掘计算与通信资源分配策略的相互影响,以应对多维资源受限导致的任务负载迁移策略耦合紧密和任务完成时间增加的挑战。仿真结果表明,相比基于单智能体学习算法和基于贪婪算法的计算任务迁移方案,本文所提出的方案能够分别减小40.8%与24.2%的计算任务完成时间。