随着多媒体移动通信设备的不断普及,终端数量呈爆发式增长,由此增加了蜂窝小区间的干扰,这对数据通信服务质量提出了较大的挑战。一方面,在高速移动场景下的移动通信中,接收端移动速度较快,上一时刻的波束分配方案在下一时刻可能不再适用,但如果每次都重新计算波束分配方案无疑会增加系统开销,浪费计算资源,同时带来较大延迟。但另一方面,固定几个小区内的交通模式在一天中的固定时间段内又是高度相似的,可以加以利用。毫米波波束本身容易受到环境以及多小区干扰的影响,因此,提出并应用健壮而高效的毫米波波束成形技术十分具有挑战性,也很有必要性。近年来,随着计算机硬件的高速发展和算力水平的迅速提升,人工智能及机器学习算法进入了实用阶段。机器学习算法可以以较小的复杂度解决复杂问题,因此,在通信技术领域也有引起了足够的重视。本文首先针对静态交通模式提出了一种数据驱动的基于多小区干扰学习的毫米波联合波束分配算法,能够以较小的复杂度减小多小区干扰对数据通信服务的影响。然后,针对动态变化的交通模式,通过采用历史记录相似度比较、新样本挑选算法、探索-利用等强化机制,使面向静态交通模式的算法能够对动态交通模式进行快速准确的毫米波波束分配,进而提出了一种基于多小区干扰学习的毫米波在线联合波束分配算法。所提出的在线算法能够利用以往学习记录,来加速波束分配方案空间的收敛,最终给出当前交通模式下的近最优波束分配方案。在对比实验中,将所提出的算法与随机波束分配方法和置信区间上界算法进行对比,相比之下,对各种交通模式,所提出的算法都具有较快的收敛速度和健壮性。实验表明,所提出的算法能够针对高速移动场景下的移动通信,以较小的复杂度给出近最优波束分配方案,降低多小区干扰对系统性能的影响。