移动网络的进化过程是一个网络不断提高有限的存储、计算、传输资源利用率,并满足不断苛求的用户需求的过程,对于终端接入技术而言更是如此。特别是其中的设备到设备（Device-to-Device,D2D）和机器到机器（Machine-to-Machine,M2M）通信技术,因其可应对未来无线网络中的多项技术挑战而被广泛研究。就本文而言,作者一方面在基于社交感知多播D2D（Device-to-Multi-Device,D2MD）内容分发的用户分组和基于D2D的计算卸载等方面进行了深入研究。另一方面,作者在海量M2M通信随机接入控制方面进行了深入研究。具体来说,论文的第一部分包括了基于D2MD的移动内容分发（Mobile Content Distribution,MCD）和基于 D2D 的多接入边缘计算（Multiple-access Edge Computing,MEC）两种典型场景下面向 D2D的终端接入技术研究。研究点1:社交感知D2MD视频分发用户分组策略。在考虑异步视频请求用户（Video Request User,VRU）的时变特性和体验质量（Quality of Experience,QoE）的同时,卸载基站（Base Station,BS）负载是一个值得研究的问题。作者利用通信稳定性和VRU对视频加载持续时间（Video Loading Duration,VLD）的容忍特性,对VRU和种子用户（Seed User,SU）进行分组来卸载BS负载。进而,提出了基于有限时间最优停止理论的社交感知D2MD用户选择算法和基于启发式思想的社交感知D2MD用户匹配算法求解前述问题。仿真实验结果表明,该算法的卸载性能优于现有算法。研究点2:基于强化学习的社交感知D2MD内容分发用户分组策略。为了解决内容请求用户（Content Request User,CRU）时空模型和社交感知模型复杂并难于刻画,以及SU具有自私性场景下最大化BS卸载量的问题,作者将该问题模型化为博弈和长期优化联合问题,并采用匹配-Stackelberg分层博弈和多智能体深度Q学习算法进行求解。仿真实验结果表明,相比于现有算法,所提算法提升了 BS卸载量。研究点3:基于强化学习的D2D可伸缩高效视频编解码（Scalable High-efficiency Video Coding,SHVC）计算卸载策略。为了解决基于D2D的MEC计算卸载中,SHVC计算任务的计算量不确定且其计算过程具有多种执行步骤场景下,最小化计算任务完成时间和能耗的问题,作者首先基于视觉显著区域（Region-of-Interest,RoI）信息,将SHVC计算任务模型化为10个原子操作,使其具备多次可决策性。其次,提出了一种双智能体深度Q学习算法求解前述问题。仿真实验结果表明,本算法可以使得请求者在保持尽可能高的视频质量的基础上,花费更低的完成时间和能耗。论文的第二部分是时延容忍设备（Delay-Tolerance Device,DTD）和时延敏感设备（Delay-Sensitive Device,DSD）共存场景下面向M2M的终端接入技术研究。研究点4:海量M2M通信中面向DSD接入成功率的随机接入控制方案。当海量M2M设备接入网络时,它们会快速地争夺前导码,从而导致严重的网络拥塞。特别是当DTD和DSD共存时,DSD的接入成功率会急剧下降。因此,作者提出了一种基于马尔可夫链的接入分类阻止（Markov chain-Access Class Barring,M-ACB）方案,既能保证DTD和DSD共存时海量M2M设备的随机接入成功率,又能保证网络资源得到有效利用。仿真实验结果表明,M-ACB方案在提高M2M设备接入成功率的同时,达到了降低冲突率的效果。