为了满足日渐增多的通信业务需求,3GPP提出5G通信支持的三大应用场景:高可靠低时延通信（URLLC）、增强型移动宽带（e MBB）和大规模机器类通信（m MTC）,其中,e MBB业务用于应对有高传输速率要求的场景,其目标是提供更大的数据带宽;URLLC业务则主要应用于对数据传输的时效性以及可靠性有极高要求的场景。现阶段5G通信中e MBB业务发展已经相对稳定,进而寻求URLLC与e MBB混合业务系统的研究与实现。由于URLLC与e MBB业务传输目标的差异,传统资源分配方法难以适应,且由于频率资源无法随着业务的增加而增加,频率资源的稀缺使得URLLC业务与e MBB业务在系统中的资源隔离变得困难。因此如何在提升系统资源利用率的同时,保证业务传输需求,尤其是URLLC业务的传输需求,是一个严峻的挑战。本文在URLLC与e MBB业务共存场景下,通过共享资源和私有资源的划分实现不同业务间的资源分配问题,以满足不同业务的传输需求,并采用强化学习算法实现了共享资源与私有资源的动态分配,实现了在保证URLLC业务可靠性的前提下,系统资源利用率与系统和速率的提升。考虑到URLLC与eMBB业务共存场景下,现有资源预分配方案导致的资源利用率低、资源复用方案可能对URLLC用户产生的干扰等问题,提出了一种面向业务区分的资源分配方法。将系统可用资源划分为共享资源和私有资源,允许URLLC用户和e MBB用户同时在共享资源中传输,划分的小部分私有资源则作为共享资源无法为URLLC提供可靠传输时的资源保障。文中建立了URLLC与e MBB混合业务传输模型,通过基于可靠性目标的阈值判决方法进行业务资源选择。实验结果表明,相比于资源复用方案以及资源预分配方案,该方法能在保证URLLC业务传输目标的前提下,提升系统和速率。为了使上述方案适应更为灵活、动态的系统模型,进一步地提出了一种基于强化学习的URLLC动态资源分配方法,根据系统内部状态的变化,进行共享资源和私有资源的动态划分。文中将资源分配问题转化为在满足不同约束条件下的系统和速率最大化问题,通过强化学习模型进行优化问题求解。将URLLC与e MBB混合业务资源分配模型建立为马尔科夫决策模型,通过Q学习框架,以基站为智能体与环境不断进行交互学习,选取最优资源分配策略。实验结果表明,在URLLC动态激活系统模型中,相比于资源预分配方案和资源复用方案,该方案都具有更好的性能。