当今世界对于互联网的需求是全天候的高速的无处不在的网络连接,旨在实现一个完全移动和互联的互联网社会。这种对于互联网的需求催生了物联网(Internet of things,IoT)的概念。机器类型通信(Machine-Type Communication,MTC)作为物联网的推动者,允许智能对象在没有人为干预的情况下实现相互通信。随着第五代移动通信系统(5th-generation,5G)时代的到来,物联网的进一步发展,高速增长的设备对无线接入网络的接入能力造成了极大的考验。因此,针对当前新兴的机器类型通信网络,如何有效接入大规模机器类型通信设备(MachineType Communication Device,MTCD),是一直以来亟待研究解决的热点问题。近来,随着机器学习(Machine Learning,ML)技术的更新发展,机器学习开始应用于很多移动互联网的场景等。机器学习是计算机系统使用的统计模型,无需使用特殊的指令有效执行特定任务,而是依靠模式和推理来代替。机器学习通过观察环境和自我探索,来获取新的知识从而不断改善自身性能。本文结合机器学习的思想,对于MTC网络中接入能力不足以及资源分配问题进行了研究,提出了不同MTC场景下有效的接入策略和资源分配方案,主要成果概括如下:根据MTCD的上行链路占优,小数据为多的特点,提出了基于自组织映射神经网络聚类算法的MTC接入策略。通过利用聚类算法,MTCD自组织自发地训练得到合适的数据聚合点,从而减少和基站直接交互的设备数量,有效避免了大规模MTCD接入基站造成的拥塞问题。另外,聚类算法保存了映射关系,让MTC网络环境对于新加入的MTCD包容性很高。考虑到随机接入过程中前导码是相互正交的,将接入问题简化为竞争同一前导码的竞争接入问题。利用退避机制,设置MTCD的双队列模型,将访问请求的排队模型抽象为马尔可夫决策过程。从而利用马尔科夫决策过程的动态规划算法来求解该竞争接入问题。由仿真结果可以得到,算法有效提升MTC网络的接入能力,降低网络碰撞概率,减少了接入时延。针对MTC网络存在多种业务需求的MTCD的情况,利用深度强化学习算法得到高效资源分配方案。对于大规模MTCD资源分配问题,利用传统Q学习解决该问题会出现状态动作对过大,Q值表占用内存爆炸的问题,因此利用深度神经网络和Q学习相结合,获得相对最优的资源分配方案。相对于传统的资源分配方案,基于深度强化学习的资源分配方案在保障MTCD不同的服务质量需求的同时,最大化网络吞吐量,降低接入时延。本文通过分析MTC通信的特点,利用机器学习的方法,针对性的设计接入策略和资源分配方案,来提升网络的接入能力,为MTC网络接入问题的求解提供了新的思路。