在5G通信系统完全商业化的今天,D2D通信（Device-to-device）作为系统中的一项重要技术,其允许用户在距离较近时不经过基站转发数据,直接进行“端到端”通信,大大降低了通信时延、减轻基站负荷并提高系统的吞吐量,受到了研究人员的广泛关注。然而D2D用户复用蜂窝信道时会对蜂窝用户和基站带来同频干扰,同时通信的场景和需求也日益多样化,传统的通信场景无法满足一些特殊情况下的通信需求,比如基站因灾害损毁或受到强烈地面电磁干扰等。面对上述问题,需要采用合理的资源分配算法来降低干扰对通信质量产生的影响,保证系统的通信质量并最大化系统吞吐量。无人机（UAV）基站以其部署灵活方便和视距链路（LOS）比重大不易受地面干扰等优势,拓展了D2D通信的应用场景范围,对提升系统性能有着重要的意义。本文基于无人机基站模型,根据系统的需求区别构建两种不同的应用场景,分别设计了不同的资源分配方案,具体分析了主要参数对通信性能的影响并得出相应结论,具体工作如下:首先,深入研究了无人机基站网络架构及D2D通信技术的模式选择和资源复用方法,重点分析无人机基站的信道增益模型,在此应用背景下建立系统模型。其次,针对系统中用户较少且对稳定性有较高需求的场景,设计了基于粒子群算法的策略方案。基站根据系统状态进行集中式决策,在少量用户随机分布于单蜂窝小区条件下,算法将系统中的用户类比为鸟类种群中的“粒子”,在求解过程中不断更新速度和位置,满足终止条件后得到系统的最优解。再次,针对系统用户位置更迭频繁且需要长期优化的场景,设计了基于强化学习Q-learning算法的策略方案。在粒子群算法中,系统的最优解仅针对当前时刻,在系统的环境发生动态变化时,需要重新计算最优解,每次重新计算都会带来额外的状态切换成本（switch-cost）,系统中用户较多时会明显增大系统的开销,引入强化学习能够最大化系统的长期吞吐量。最后,通过仿真分析并调整系统参数进行对比,结果表明在基于粒子群算法下,同传统的地面基站相比,无人机基站使得系统的吞吐量得到显著提高;引入强化学习并经过大量迭代后,系统能够收敛于最优解,即强化学习Q-learning可以在系统环境变化时长效优化系统的吞吐量。