围绕无线移动通信网络中有限通信资源高效利用的核心科学问题,学术界和工业界提出了一系列资源调度优化理论与方法以使用有限的资源满足不断攀升的通信需求。无线通信网络资源调度优化问题通常被建模为非凸优化问题,由于目标函数非线性且优化要素约束复杂,解析解难以得到,通信资源的调度高度依赖数值迭代算法,网络性能与迭代算法的设计密切相关。但是,现有的资源调度迭代算法存在计算复杂度高、收敛时间长等问题,难以适应快速时变的信道状态,这在移动通信的场景下尤为突出。近年来,以深度学习、强化学习为代表的机器学习技术在网络资源调度中被广泛使用,其具有复杂环境适应性、计算复杂度低等特点。针对移动网络中无线信道高动态性与资源调度效率之间的矛盾问题,本文将深度学习方法用于移动通信网络资源调度的设计与优化,设计了信道状态驱动下的神经网络资源调度算法,实现了跨蜂窝网络资源的动态调度,提升了资源调度的时效性和网络性能。基于上述思路,本文提出了基于深度学习的蜂窝网络信道与功率联合调度方法,实现了小区内、小区间信道与功率资源的动态调度,提升了资源调度的时效性和蜂窝网络吞吐量。本文主要工作及贡献包括:（1）针对多小区蜂窝网络功率控制问题,建立了面向蜂窝网络吞吐量最大化的多小区基站功率控制优化问题模型,将深度学习方法与凸优化理论相结合,提出了一种基于监督学习的多小区基站功率控制方法。采用数值迭代优化算法构建信道状态与最优功率控制策略映射关系,并基于该关系生成数据集,完成对神经网络的训练。仿真结果表明,与传统的数值优化迭代算法相比,所提出的功率控制算法具有计算复杂度低、时效性高的特点,在保持网络性能的前提下,所提方法大幅降低了计算所需的时间。（2）针对多用户通信场景下不同的信道分配策略对网络性能造成的巨大影响,进一步考虑多小区蜂窝网络信道与功率联合调度问题,构建了面向蜂窝网络吞吐量最大化的信道和功率联合调度优化问题模型,设计了基于深度学习的多小区蜂窝网络中信道和功率联合调度算法。不同于传统的基于数值迭代的优化算法,基于神经网络的联合优化算法能够避免优化变量维度升高给问题求解带来的挑战。仿真结果表明,基于深度学习的资源调度算法能有效解决信道和功率联合调度问题。（3）为进一步提升蜂窝网络系统容量,考虑了异构蜂窝网络中的信道与功率联合调度问题,构建了面向异构蜂窝网络吞吐量最大化的信道和功率联合调度问题模型,提出了 一种基于无监督学习的信道和功率联合调度方法,将神经网络嵌入拉格朗日对偶方法中,解除了对数值迭代优化算法的依赖性。仿真结果表明,所提无监督学习方法能够有效的提升无线通信网络的系统容量。