超密集组网技术作为第五代移动通信的关键技术之一,通过密集化地布设基础设施,增加了资源的空分复用,提升了热点地区的网络容量。然而,随着基站密度的不断增大,用户处于多个小区的覆盖范围内,导致多个用户选择同一小区接入的概率变大,这使得网络下一时刻更容易发生过载现象。此外,随着小区半径的减小,网络负载呈现整体分布规律性强,而局部小区变化大的现象,这使得一般的预测算法无法获得较高的预测精度,难以给网络接入控制算法的设计提供有效信息。同时,小区半径的减小也将导致用户在多个基站之间频繁地切换,使小区间切换数据规律性差,从而使资源预留问题成为一项挑战。本文针对上述问题进行了深入的研究和学习,主要工作如下:首先,在超密集异构接入点共存的环境下,针对小区用户数难预测的问题,对机器学习中的岭回归模型和随机森林模型进行融合,并通过融合模型对小区用户数进行预测,提升了预测精度。在此基础上,根据预测值与小区最大承载用户数的差值,以及考虑主观用户偏好和客观网络属性,设计了一种新型效用函数,进而提出了基于负载预测的网络接入算法,提高了网络接入用户概率,实现了网络负载均衡。其次,针对密集组网环境下多用户接入时导致目标小区发生过载的问题,将用户与网络之间对资源的竞争建模为合作博弈问题,并设计了一种新型收益函数,综合考虑网络性能以及用户体验对网络接入选择的影响。在此基础上,提出了基于层次分析法和联盟博弈的网络接入算法,提高了网络综合效用值。最后,针对超密集网络中用户在小区间的切换呈现出的高时变性、高动态性等特征而带来的切换数难预测问题,以梯度提升决策树模型为基础,提出了基于多方案融合的小区切换预测算法,从切换数本身、转移概率以及切换数与用户数的比例等方面进行预测,并融合相应预测结果,通过挖掘不同类型数据的规律性,提升了预测精度。进而,根据对切换数的预测值,进行相应的资源预留,有效提升了网络资源利用率。