随着5G时代的到来,网络将支持各种各样的业务场景,不同的业务场景需要满足不同的通信需求,例如无人驾驶、虚拟现实和智能工厂,它们对通信的时延、带宽以及可靠性都有不同的要求。传统移动通信网络往往只能服务单一的移动宽带业务,无法适用于5G多样化的业务场景。如果替每种特定业务都建设一个特有网络将耗费巨大的建设成本,网络运维也会变得极其复杂。为了解决这一问题,5G引入了网络切片技术。通过网络切片技术,运营商可以根据不同用户的需求将传统的物理网络分成多个相互独立的虚拟网络,满足5G多元化的业务需求。而网络切片技术的出现必然带来无线资源分配这一难题,对于端到端的网络切片,接入侧需要为其分配虚拟无线资源,核心侧需要为其分配服务链路。只有综合考虑以上两个方面才能对端到端网络切片无线虚拟资源进行适当的资源分配,网络的性能才能得到优化。针对上述问题,本文进行了以下三点研究:（1）提出了速率约束型和时延约束型两种类型的网络切片下接入侧无线资源分配模型。针对不同切片的用户的不同Qo S需求,在满足用户Qo S的前提下为每个用户分配虚拟无线资源,使得所有切片在接入侧的用户接入率最大。在求解阶段将基站看做具有一定容量的背包,用户看做物品,物品的重量为用户所需资源,收益为系统容量。但此处无法用常规背包算法求解,因为用户接入不同基站所需要的RB数量是存在差异的。因此本文基于背包算法设计改进的动态规划算法进行求解。仿真结果表明,在满足不同切片用户需求的前提下,该算法可以提高用户的接入率。（2）针对不同类型切片在核心侧的网络拓扑以及对应类型切片的业务需求为每条服务链进行映射使得用户容量最大,建立了核心网服务链资源分配模型。在求解阶段,首先对同一类型的服务链进行优先级排序,然后按照优先级顺序进行服务链逐点映射。在映射过程中,对每一个候选节点进行评估,选择评估分数最大的节点依次映射,直到服务链映射完成。该算法能够为用户选择合理的链路和虚拟机进行映射并满足用户的时延和带宽要求。仿真结果表明,该算法能够提高用户在核心侧的接入率。（3）设计了基于DQN的端到端网络切片算法,使得整个端到端网络切片的性能最优。利用深度强化学习算法进行切片资源的分配和动态调整。即利用每次环境的反馈进行资源的动态调节,得到更好的资源分配策略。仿真结果表明,在静态环境和动态环境下,该算法都能逐渐训练得到一个较优解,并且能够根据环境的变化随时调整资源的分配。