随着智能终端的迅速发展和广泛普及,无线网络下的移动多媒体数据流量呈现爆炸式的增长。与此同时,智能终端设备的本地缓存能力有了长足的发展,通过在无线网络的终端侧预先缓存网络所需要的内容并对周围用户分发共享能够显著的降低网络的空口压力并且减少网络流量的大量冗余重复传输,给无线通信网络带来性能上的大幅提升。因此有必要对于终端用户的缓存策略进行深入研究,以达到较好的缓存策略和性能。在本文中,我们首先考虑了设备到设备（D2D）网络下的单用户对缓存策略优化设计问题。针对当前用户的缓存自私性,我们率先提出了基于移动区块链激励机制的用户缓存分发策略。用户通过分发内容来获取基站提供相应的算力参与到区块链的工作量证明中以得到相应的收益。本文考虑了线性和非线性两种分配机制,进而在最大化用户总收益下优化用户内容放置策略。在线性分配机制下推导出原问题最优解的闭式形式,揭示了在线性机制下用户更愿意缓存流行度高的文件内容;在非线性分配机制下通过DC（Difference of Convex）算法给出问题的次优解,同时指出用户在非线性机制下更愿意选择部分地缓存所有的文件内容。通过仿真分析我们证实了在两种不同算力分配模型下的缓存策略的不同选择,还比较了文件流行度等参数对于用户总收益的性能影响。之后,我们考虑了更为复杂的D2D网络下的多用户缓存策略优化设计问题,通过对于用户节点间网络、传输、服务的描述,我们建立了基于平均传输速率效用的缓存策略优化问题,通过将原问题拆分成多维背包问题采用传统的动态规划算法求解给出了不同分布下的节点缓存内容的策略选择。在原优化问题下,我们考虑将卷积神经网络的理论与D2D网络下的用户分布相结合,设计了一种基于距离卷积的深度神经网络,通过该网络结构可以将原问题的优化求解转化成根据用户节点分布来决定缓存策略的快速算法。通过数值仿真,我们得到了用户分布对于缓存策略和速率效用总和的性能影响,分析了我们所提出的算法的可靠性,还通过比较传统算法和神经网络算法的时间复杂度来证明我们提出的算法在时间上的优越性。