近年来,无线通信技术快速发展,智能终端以及物联网设备在大众生活中得到广泛的普及,无线接入点(Access Point,AP)被密集部署在各种场所中来满足用户的网络需求。高密度的AP会带来严重的干扰,影响用户的体验,从而导致网络吞吐量较低和连接质量较差。同时在密集无线局域网(Wireless Local Area Networks,WLAN)中,网络动态变化估计较为困难且实时计算负担较大,因此,传统优化算法难以解决密集场景下的干扰问题。针对上述问题,采用软件定义无线网络(Software Defined Wireless Networking,SDWN)技术的集中控制思想,提出了基于强化学习的信道分配和功率控制联合优化算法。该算法通过使智能体与环境互动学习,获得联合调节AP信道和功率的优化策略,实现系统干扰降低和吞吐量提升。首先,通过部署实际测量实验,测量分析AP吞吐量性能上限,明确了AP发射功率、工作信道以及系统吞吐量之间的关系。此外,建立了以吞吐量为优化目标的AP发射功率和信道联合调整的数学优化模型。其次,以系统吞吐量为优化目标,将AP的功率和信道状态转化为强化学习的状态空间,AP的信道和功率调整策略作为动作空间,系统吞吐量增量作为强化学习的奖励函数使其指导智能体自主学习,通过离线训练调节参数获得最优策略。此外,为了适应大规模网络的动态性,设计了一种基于事件驱动Q学习的联合优化机制,通过事件条件来触发学习,非周期性的更新最优策略,有效减少了算法运算导致的资源消耗。最后,通过仿真对算法性能进行验证,实验结果表明基于强化学习的吞吐量联合优化算法能够在保证用户通信需求的同时有效的提升吞吐量,对比现有信道和功率联合优化算法,本文所提出的优化算法可以提升最高系统吞吐量9%;同时系统干扰量最高降低了21%。