随着互联网和应用通信的快速发展,无线网络虚拟化已成为未来网络中的一个重要概念,它可以在同一物理基础设施上为不同的移动虚拟网络运营商（MVNO）提供多个虚拟化无线网络。资源分配问题是无线虚拟化面临的一个主要挑战,MVNO更感兴趣的是实现自身收入的最大化。因为在计算之前价格是未知的,所以收益最大化的拍卖问题要复杂得多。在无线虚拟网络资源分配中,SP（服务提供商）向MVNO（移动虚拟网络运营商）发出请求,MVNO根据SP所发出的请求来向In P（基础设施租赁商）发出租赁请求,从而获得相应的网络资源,最后将租赁得到的网络资源分配给SP。这使得多个SP对资源产生竞争,考虑到上述所面临的问题,需要将MVNO的资源进行最有效的分配。本文的主要研究内容有以下几点。首先要想获得社会福利最大化,需要将网络中的资源进行合理的动态分配。在满足无线网络片间隔离的基础上,提出了一种基于双边拍卖的资源分配机制。通过给买方SP划分类型,通过不同的优先级再设计不同的表达式,经过变换后,使后续的拍卖能够顺利进行,最终得到最优的资源分配方案。其次,运营商更关注自己所得的收入,所以要使得收入最大化,使用深度学习来为MVNO的资源分配设计最佳拍卖,通过构建神经网络架构向最佳拍卖提供精确的拟合。神经网络首先执行估价的单调变换,然后进行计算分配规则,即获胜概率以及有条件支付规则,最后进行神经网络训练以调整神经网络的参数,以优化损失函数,最终使MVNO的资源分配达到最佳。最后,针对本文所提出的基于双边拍卖的资源分配和基于深度学习的资源分配两种策略,进行了针对性的仿真实验,用于对策略进行评估,并且,在无线网络虚拟化环境中进行了广泛的模拟研究,以证明所提出方案的有效性,并对实验数据进行对比、验证和分析,最终验证方案的有效性。