无线自组织网络（Ad-hoc）作为一种无中心、自组织、自优化的对等多跳式通信网络,具有简单易部署、抗毁性强等优势,已经被广泛应用于军事、民用领域。随着技术变革和产业改革在全球范围内的推进,军事改革也进入了一个全新的发展阶段。云计算作为智能化时代的核心技术之一,率先被美国应用于军事领域,以之为基础提出了“作战云”概念。“作战云”平台期望构建一个能够在作战空间内用于数据分发和信息共享的总体网状网络,其中每个授权用户、平台或节点可以透明地贡献和接收基本信息,并能够在整个军事行动范围内利用这些信息,从网络层面改变当前相对落后的军用网络结构。作为军用网络的重要组成部分,Ad-hoc网络由于网络结构简单,通信资源稀少,通常只能对少量且服务需求相对单一的业务提供服务,无法支撑“作战云”所要求的按需服务和协同组织。因此本文将5G领域中的网络切片技术应用于Ad-hoc网络,提出了切片化自组网的网络架构,使Ad-hoc网络能够利用有限的网络资源,支持更加复杂多样的业务类型,为包括“作战云”在内的未来全新的应用场景提供扎实的网络平台。本文根据网络切片的技术特点提出了切片化自组织网络的网络架构,并深入研究了切片化自组织网络中的切片映射和路由问题,主要研究内容如下:本文首先研究了切片化自组网的网络架构。切片化自组网由编排管理切片、连接性管理切片、切片控制切片和业务切片构成,不同切片根据其功能和业务请求的不同进行灵活地部署和配置。在这种网络架构下,网络中的物理资源被划分到不同切片中进行管理,实现了Ad-hoc网络对网络资源的灵活配置,提高了Ad-hoc网络承载力和服务能力。接着我们研究了切片化自组织网络中的切片映射问题。由于网络拓扑的动态变化,自组织网络在切片化后需要不断对虚拟链路的映射方式进行调整,通过重映射的方式保证切片性能。频繁的重映射会导致巨大的网络开销,为了减少网络开销,本文提出了基于演员-评论家（Actor-Critic,AC）算法的切片重映射算法,并引入图神经网络技术学习网络的拓扑结构,增强算法的泛化性。仿真结果表明,与传统算法相比,该算法在动态拓扑环境中,可以获得更低的重映射开销和更高的映射成功率。接下来我们研究了切片化自组织网中的优化链路状态路由（Optimized Link State Routing,OLSR）协议。作为一种无线自组网常用的路由协议,OLSR同样适用于切片化自组网。本文对该协议中的多节点中继（Multi-Point Relay,MPR）选择问题进行了优化。MPR选择问题是一个NP-完全问题,由于自组织网络具有很高的动态性,现在广泛使用的各类MPR节点选择算法在运行过程中会出现节点选择冗余性和节点选择不公平等缺点。为了解决传统算法存在的问题,我们提出了一种基于深度Q网络（Deep-Q Network,DQN）技术的MPR节点选择算法,仿真实验结果表明,与传统算法相比,该算法减少了节点选择过程中的冗余性和不公平性,此外图神经网络模块的应用也使算法在高动态网络环境中也能获得很好的性能表现。最后我们研究了切片化自组织网络中面向业务需求的服务质量要求（Quality of Service,QoS）路由问题。多性能指标的QoS路由问题是NP-完全问题,我们提出了一种基于Q-learning技术的路由算法（Q-learning Routing Algorithm,QLRA）来近似求解QoS路由问题,并设计了相应的路由优化算法。仿真实验验证了QLRA算法的收敛性,数值结果表明,与自组织网络中常用的自组网按需距离向量路由（Ad hoc On-Demand Distance Vector Routing,AODV）协议相比,QLRA算法能够更好地满足业务的每个QoS性能指标,并获得更高的路由成功率。