随着移动用户的不断增加,下一代无线网络需要比现在的网络支持更高的用户密度。满足这一需求的一种方法是通过飞蜂窝小区(femtocells)更有效地共享网络资源。飞蜂窝小区是近些年来逐渐被越来越多地应用而且是长时演进的演进版本(Long Term Evolution-Advanced,LTE-A)中的关键组成部分,可以在更低的功率需求下提供更高的系统吞吐量和更高的频谱利用率。然而,有效部署这些网络的主要挑战是如何最有效地进行网络资源的调度。由于缺乏为用户提供公平合理的资源分配策略,包含宏蜂窝小区和飞蜂窝小区的异构网络(Heterogeneous networks,HetNets)中复杂的部署带来的更复杂的干扰环境会严重影响系统性能,尤其是处于小区边缘的用户的数据传输速率和整体系统性能。因此,为了减弱这些干扰带来的问题,需要有效的干扰协调和资源调度方案。功率是网络资源中十分重要的组成元素,基站对用户所使用的功率分配方式直接影响着用户的通信质量。传统的功率分配方式虽然能有效地提高用户的通信质量,但是飞蜂窝异构网络的随机部署方式需要一种适应性强的具有自组织性的功率分配算法来保证系统性能。为了组建自组织性强的密集型飞蜂窝异构网络,本文将增强学习(Reinforcement Learning,RL)应用于密集部署的飞蜂窝网络的功率分配中,提出了一种基于深度增强学习的异构网络中的功率分配算法,在为用户提供较高的服务质量(Quality of Service,QoS)和公平性的同时最大化网络的总容量。本文中异构网络的功率分配过程被建模为马尔可夫决策过程,密集的异构网络被建模为一个多智能体网络,将异构网络中的每一个基站均视为一个智能体,智能体与系统环境进行交互,将基站的发射功率建模为智能体的动作空间,并通过设计合理的收益函数对智能体的动作给予反馈;此外,采用深度Q网络(Deep Q network,DQN)利用神经网络为系统带来的强大的特征提取能力来解决Q表无法有效且快速地处理智能体状态空间接近无限大的问题,使得智能体执行动作选择时将系统容量和用户的公平性纳入考虑范围,使系统中基站的功率分配方案向系统总容量不断提高的方向进行。通过将RL方法和深度学习集成到无线通信中,构建自组织、自适应的密集飞蜂窝网络,有效地管理异构网络中的资源。仿真结果显示与以往的方法相比,该方法能有效地提高系统的容量。