随着第五代移动通信技术（5G）的规模化商用以及第六代移动通信技术（6G）的投入研发,物联网进入了飞速发展的阶段,智能终端的数量呈现出一种爆炸性增长的趋势,依赖于集中式基础设施的集中式网络在联入终端数量暴涨的情况下难以保证终端间的协同通信,而且在某些地处偏僻,设置基站成本较大的地方,这种集中式网络也并不适用。自组织网络作为一种自治的分布式网络,可以在不借助集中式设施的情况下提供终端间的相互通信,有利于缓解集中式网络的压力。对于自组织网络中的信道竞争问题,传统算法往往基于随机算法来实现,在信道使用率上表现一般。本文研究了基于深度强化学习的无线网络分布式信道竞争问题,提出了两种分布式信道竞争算法。首先,本文提出了一种基于深度强化学习的领导人选举算法。基于领导人选举的思想,将原来的分布式信道竞争问题转化成了多轮的领导人选举问题。本文通过对领导人选举问题建模,将此问题转化为马尔可夫决策过程,而且令每个参与信道竞争的网络接入点都作为智能体来运行强化学习算法,各自学习独属于自身的策略。仿真实验证明,所提出的算法可以较快地选举出领导者,并且保证了较高的信道使用率以及为0的错选率。其次,由于基于多轮领导人选举的信道竞争算法不能保证各网络接入点在较短时间维度内的公平性,本文提出了一种基于深度强化学习的分布式信道竞争算法。本文对分布式信道竞争问题直接进行强化学习建模,各网络接入点仍然都作为智能体来运行强化学习算法,在每一轮训练过程中各智能体可能会获得不同的奖励值,最终各网络接入点会根据自身的信道占用率以及信道状态自适应地调整自己竞争信道的概率,来实现较好的分布式信道竞争。仿真结果表明,本文的算法在信道使用率上高于传统的随机算法,并且还具有较高的公平性。