5G Rel-15标准的问世,极大地加快了5G发展和建设的步伐;正在研究之中的Rel-16版本则致力于进一步完善5G对更多应用场景的支持和提高系统性能。超密集网络(Ultra-Dense Network,UDN)技术被认为是提高系统吞吐量的有效方法,因此成为5G必不可少的关键技术之一。在超密集网络中,增加本地频谱的重用可以应对覆盖和容量增长的需求。但所有基站(Base Station,BS)同时使用相同的频率资源,小区间干扰(Inter-cell Interference,ICI)会变得很强,这将会导致信号干扰噪声比(Signal to Interference plus Noise Ratio,SINR)的降低从而限制系统的整体吞吐量。因此,超密集部署中的干扰管理尤为重要。本文第一部分工作是考虑在一定覆盖范围内小基站的密度大于绝对阈值的超密集网络环境,针对原有分簇算法的不足,设计了以减少干扰、增加吞吐量,缩短用户传输服务时间为目标的动态分簇算法。以最大化簇内干扰为目标进行初始分簇,随后根据系统的实时状态,依据簇内资源块的使用情况不断更新调整簇,保证用户的服务质量,提高实时满足用户需求的灵活性,进一步提高频谱效率。论文第二部分设计了一种基于Q学习的资源调度(QLRS)算法以尽可能地最大化系统容量。算法首先将小基站进行分簇,在每个调度周期根据簇内用户数量为每个簇调度资源;然后以系统整体吞吐量和能效为优化目标,对簇内有关联用户的小小区进行资源变更和优化,并将收益记录于Q表中,Q表经多次迭代收敛后,得到系统最优资源分配方案。仿真结果表明,与其他资源分配算法相比,论文提出的算法在保证能源效率与宏蜂窝吞吐量的条件下,进一步提高了系统整体吞吐量。