随着第五代移动通信技术（5G）和物联网时代的到来,为了提高蜂窝网络的能量效率,设备到设备（Device-to-Device,D2D）技术被认为是一种可行的解决方案。在D2D网络中,多对D2D链路的全频复用导致链路之间的干扰异常复杂。通过功率控制进行干扰管理来优化系统容量是一种常见的手段。传统的功率控制算法中复杂的矩阵运算使得实际通信系统中获取实时信道信息十分困难。近几年随着计算机硬件的发展和算力的提升,神经网络爆发出了强大的活力。深度学习在策略拟合方面表现出来的优秀能力使得本文思考将其引入到无线通信领域的研究中。本文使用过时信道信息作为输入并利用深度学习中的监督式和非监督式两类方法对D2D系统中的功率分配问题进行了研究。主要研究内容如下:首先,本文基于监督式深度学习提出了一个D2D功率分配方法。在数据预处理阶段,通过信息约简将输入信息的空间复杂度从O（N2）降到O（1）,以加速网络收敛并减少系统开销。通过设计多个线性滤波器（Linear Filter Extractor,LFE）来提取过时信道信息中不同的干扰模式。循环神经网络（Recurrent Neural Network,RNN）被用来从已提取的过时干扰模式中预测实时的链路通信环境,进而做出功率控制决策。通过理论分析,本文证明了该方法的时间复杂度较低,并在两种不同拓扑变化的条件下对其进行了性能测试与评估。接着,为了保证链路通信的公平性,本文在基于网络容量为优化目标的前提下对第一部分所提出的深度学习功率分配算法进行了改进,提出了融合比例公平性的D2D功率分配算法。并在D2D实际场景中进行了性能测试与评估。最后,由于监督式算法的局限导致上述提出的算法均不能突破传统的功率分配算法所能达到的次优上限。本文进而提出了基于非监督式深度强化学习的D2D功率决策算法。在经典的强化学习算法的网络框架上,将其他链路的决策信息加入到自身的状态信息中,并将奖励回报设置为全局和速率的修正形式。仿真结果表明,所设计的算法使得每个链路都能学会与其他链路相互合作来达到全局最优和速率,并超越了传统的功率分配算法性能。