随着大众生活和数字经济对网络通信的要求日益增强,无线通信技术也在不断更新发展,自动驾驶、工业自动化、远程协同医疗、智能电网、元宇宙等新兴应用和服务也在寻求新一代移动蜂窝网络的加持。在5G-advanced和6G系统中,超可靠低时延通信（Ultra-reliable Low-latency Communication,URLLC）对于许多可靠性和时延约束严格的应用是必不可少的,也是无线通信最具挑战性的方面。因此,近几年URLLC技术的研究是学术界和产业界共同关注的一个热点。在车联网、工业互联网、触觉互联网等应用场景中,URLLC除了时延和可靠性需求外,还有频谱效率、吞吐量和能耗的要求。随着时延敏感业务的推广,移动网络中的URLLC数据量也将激增,进而致使无线资源短缺、内部干扰严重、网络拥塞和排队开销恶化。因此,在无线资源有限的情况下,亟待一种高效的无线资源管理方法来保证端到端的URLLC性能。由于时分双工（Time Division Duplexing,TDD）在频谱利用和频谱效率方面的灵活性优势,而毫米波（Millimeter Wave,mm Wave）是5G-advanced和6G的主流频段,本论文工作从基于TDD的URLLC无线资源管理入手,将mm Wave传输的端到端URLLC优化分为三步完成。首先在物理层中提出了适用于URLLC短数据包的新编码方案,然后分别针对下行和上行链路进行URLLC资源优化。论文的主要创新工作如下:（1）研究了适用于mm Wave通信物理层中短数据包的基于模拟喷泉码（Analog Fountain Code,AFC）的URLLC频谱资源优化方法。首先,通过分析有限数据块长的mm Wave信道模型,将CRC的强检错能力与AFC的无码率特性相结合,提出了一种具有反馈机制的CRC-AFC级联编码方案。通过分析URLLC时延约束和AFC误码率,以控制编码成本并提高编码可靠性为目标,设计了一次再编码机制动态地调节CRC-AFC级联码率。然后,通过分析URLLC时延约束、非URLLC信噪比阈值和CRC-AFC误码率三者之间的依赖关系,提出了一种基于CRC-AFC的URLLC动态频谱分配算法。该算法根据码率和待传输数据量动态地为URLLC分配频谱资源,以保证非URLLC服务质量和频谱效率为前提,降低URLLC传输时延。结果表明,所提算法可以在较宽的信噪比范围内保证高可靠和低时延性能。当URLLC用户数量越多,所提算法的时延优势越明显;信道条件越差,所提算法的可靠性优势越明显。（2）为了使移动蜂窝网更好地支持关键任务密集型通信场景,针对URLLC下行传输中使用mm Wave混合频谱接入的时延优化问题,研究了基于强化学习（Reinforcement Learning,RL）的高负载URLLC混合频谱分配方法。首先,考虑URLLC高负载资源需求下的时延约束和长数据偏好问题,分别设计了主动丢包和临时转存机制,提出了一种基于时变资源状态转移的贪婪资源分配算法,并通过分级缓存丢包策略使算法更具预见性和灵活性。然后,为了降低计算量,提出了一种基于RL的混合频谱资源分配算法,其临时转存机制有效地压缩了状态空间,而将动作与时间解耦则压缩了动作空间。为了降低训练开销,通过在深度神经网络（Deep Neural Network,DNN）中的每个隐藏层预留出口,设计了一种multipath-DNN来近似最优策略。结果表明,所提出的两种资源分配算法均可在高负载情况下维持高可靠性并降低URLLC时延,尤其是基于RL的资源分配算法在过载不超过30%的情况下,仍能实现接近1ms的时延和低于17%的丢包率。（3）针对车联网中URLLC服务与非URLLC服务共存而性能指标不同的情况,研究了面向车联网的端到端URLLC频谱功率联合优化方法。首先,通过车辆移动模型和mm Wave干扰模型分析,提出了一种以非URLLC吞吐量和URLLC交付率最大化为目标的联合资源迭代分配算法,并通过问题分解的方式将多目标优化问题转换为单目标迭代优化问题。然后,针对车辆移动的高机动性和上行链路中资源难以集中管理的问题,考虑将车辆作为智能体并分布式地分配资源,提出了一种基于合作竞争的多智能体强化学习（Multi-agent Reinforcement Learning,MARL）联合资源分配算法。在该算法中每个智能体只需要观测本地信道状态信息,各智能体通过联合机制共享本地信息以优化全局性能,同时算法还增加了惩罚机制来提高URLLC服务权重。仿真结果表明,相比其他基于多智能体强化学习的对比算法,所提出的方案拥有较好的可扩展性,以及更优的非URLLC吞吐量和URLLC交付率性能表现。