随着无线通信技术的快速发展,移动通信数据流量呈现出爆炸式增长趋势,这不仅给传统的通信网络体系带来了巨大的负担,也给未来绿色通信网络的设计、运行以及维持带来了严峻的挑战。同时随着未来通信网络中更多的无线移动终端设备连接到互联网中,“万物互联”的通信演进模式已成为必然。然而其也带来了一些非常严峻的挑战,比如,如何在保证绿色通信的情况下为用户提供可靠的通信服务,以及如何增强通信网络的智能化水平。为解决以上问题,研究人员开始将机器学习算法（Machine Learning,ML）引入到无线通信系统。其中,分布式天线系统（Distributed Antenna Systems,DAS）便作为构建绿色通信网络的关键技术之一而一度成为研究的热点。结合绿色通信的设计目标,本论文进一步将分布式天线系统和机器学习算法相融合,旨在提高系统整体性能的同时增强通信网络的自适应管理能力。本论文主要的研究工作如下:1)基于机器学习集群的单向分布式天线系统功率分配优化机制。在单向分布式天线系统中考虑只存在下行用户通信的场景,在此场景下运用机器学习算法中k均值（k-means）集群算法构建基于机器学习集群的通信模式。在形成了基于机器学习集群通信模式后,在分布式天线系统中通过将分式规划理论（Fractional Programming,FP）、差分函数优化理论（Difference of Convex Function,D.C.）、凹凸过程优化（Concave Convex Procedure,CCCP）算法、以及内点法相结合来转化求解以最大化系统频谱效率和能量效率为优化目标的功率分配方案。最后仿真结果验证了所提算法有效性。2)基于机器学习集群的双向分布式天线系统的功率分配优化机制。在实际通信系统中上行用户与下行用户往往共同存在,这会导致小区中用户通信时产生更为严重的干扰。因此,本文进一步考虑在上行用户与下行用户共同存在的通信场景下,采用机器学习算法中的k-means集群算法和高斯（Gaussian mixture model-based,GMM）集群算法分别构建机器学习集群通信模式。然后在此通信模式下分别求解以最大化系统频谱效率和能量效率为优化目标的最优功率分配方案。最后仿真结果验证所提算法的有效性。