信息时代里流量的爆炸性增长推动着物联网的蓬勃发展,但频谱利用率低和能量供应不足等问题却严重限制了物联网继续向前的脚步。近年来,反向散射通信技术和非正交多址接入技术（non-orthogonal multiple access,NOMA）为解决相关问题提供了新的思路,其中反向散射通信技术具有低成本、低功耗、低复杂度等特点,而NOMA则允许不同设备在同一正交资源块上接入通信。基于上述讨论,本文聚焦于将NOMA融入进不同的反向散射通信系统并对相应系统进行资源分配和性能优化。首先,我们将NOMA与共生无线电技术（symbiotic radio,SR）相结合,提出了一种基于NOMA的共生无线电网络（symbiotic radio network,SRN）,其中SRN相较于传统的反向散射通信网络有效地缓解了反向散射信号解调时环境信号带来的强干扰。具体来说,我们提出了一种基于接收能量的分组准则将反向散射设备（backscatter device,BD）分为不同的集群,并根据此准则设计了一种混合NOMA和时分多址接入（time division multiple access,TDMA）的接入协议即NOMA-plus-TDMA接入协议。另一方面,SRN中的BD可以从入射信号中吸收能量从而使自身工作周期延长。因此,我们设计了一种基于集群互助的能量吸收方式。此外,考虑到该系统的实际意义,我们提出了能量因果性约束。本文通过对BD接入通信时间、反向散射系数以及基站发送功率等资源的联合优化分配以达到通信公平性进而提高系统总吞吐量的目标。一种基于连续凸逼近（successive convex approximation,SCA）和块坐标下降（block coordinated descent,BCD）的优化算法被提出用来处理相关非凸性。仿真结果表明,提出的混合接入协议以及基于集群互助的能量吸收方式均能有效地提高系统性能。其次,我们将无人机引入反向散射通信系统中,提出了一种基于NOMA的无人机辅助反向散射系统,其中利用无人机的高机动性有助于解决传统反向散射系统通信距离较短的问题。在提出的系统中,无人机即充当激励源为地面上的BD提供载波信号也充当数据收集器用来收集BD的反射信息,而BD则通过一部分入射载波信号吸收能量并将自己的信息调制到另一部分信号上然后反射给无人机。我们首先考虑单无人机辅助策略,在系统中引入一架无人机并假设在无人机工作期间电量不会耗尽。利用K-means聚类算法将地面BD分为不同集群,然后基于此提出了一种NOMA-plus-TDMA的接入协议即同一集群内采用NOMA共享频谱资源而不同集群间则采用TDMA。考虑系统能量效率和BD间公平通信,我们提出了一种新的性能衡量指标即公平能量效率（fair energy efficiency,FEE）并通过优化无人机飞行轨迹、无人机发送功率和集群接入通信顺序以最大化系统的长期FEE。特别的,我们引入了禁飞区用来提高系统的实际性。由于上述问题的复杂性和非凸性,本文提出了一种基于深度确定性策略梯度（deep deterministic policy gradient,DDPG）的优化算法。数值结果证实,该算法有利于系统长期FEE的提升。再来,我们进一步考虑多无人机协作和电池容量有限的场景。在该场景下,我们依然对系统的长期FEE进行优化,并提出了一种基于多智能体深度强化学习（multi-agent deep reinforcement learning,MADRL）的算法。同样,数值结果表明了该算法有助于系统性能的提升,也探明了在无人机辅助的反向散射系统中无人机收集数据时的协作机制。