5G移动通信网络能够通过连接一切来改变我们的生活。6G有望实现比5G更高速、可靠、全面以及智能的服务。面对这样的发展,机遇与挑战相伴而来。如今基于人工智能的无线资源管理已经成为研究热点,但对于不同场景下资源管理算法的选取、评估以及优化亟待进一步的研究。本文的目标是在不同应用场景下对算法进行高效评估并对算法性能进行针对性优化,主要内容包括:介绍了与人工智能相结合的基于认知无线电的频谱共享技术以及网络切片技术,并总结了基于数学模型的资源管理方法与基于人工智能的方法的相关研究。针对如何评估对比不同的无线资源管理算法,设计了统一的评估体系和评估方法,提出了衡量资源管理问题难度的参数——场景难度系数,进而提升评估效率。对面向网络切片以及面向通信链接的无线资源管理分别进行了问题建模,并对面向网络切片以及面向链接的场景进行了难度等级划分,其中,网络切片场景中根据基站数量确定场景难度,面向链接的场景中根据理论上能够容纳的链接数量确定场景难度。针对这两种场景分别设计了基于蚁群优化算法（Ant Colony Optimization,ACO）以及基于深度Q网络（Deep Q Network,DQN）的无线资源共享算法,并在不同难度等级场景下对比了系统总效用、资源满意度、时延、数据速率以及执行时间等性能。面向网络切片的场景中,ACO与DQN除执行时间外的性能均相近。在面向链接的时频域资源块管理问题中,中等难度以及困难场景下DQN由于动作个数过多无法给出合理的资源分配方案。针对动态场景下ACO计算复杂性高的问题,提出了基于记忆的ACO以减少执行时间。将所提优化方法与ACO算法进行对比,仿真结果表明,当场景中部分链接移动时,所提方法能够显著降低执行时间,同时性能仍能得到保障。针对面向链接的无线资源管理场景下所设计DQN无法给出合理方案的问题,提出了基于领域知识的DQN。将所提优化算法与ACO、DQN算法进行了对比。仿真结果表明,与DQN算法相比,所提优化方法在不同难度等级的场景下都能给出有效的资源分配方案;此外,所提优化算法各项性能与ACO算法相近,且在困难场景下数据速率等性能指标甚至超过ACO算法性能。最后,基于可解释人工智能中可视化的思想,对解释与优化ACO给出的资源分配方案进行了探索。所设计的可视化方法能够帮助理解算法决策规律、确认算法决策准确性、辨别场景中对性能起较大影响的因素。