超密集异构网络（HetNets）被视为实现第五代（5G）无线通信系统的使能网络体系结构之一。结合高数据速率和无缝连接,超密集HetNets具有极大的潜力来提高网络容量,基于云无线接入和大规模多输入多输出（MIMO）技术的超密集HetNets引起了学术界和工业界的广泛兴趣。然而,随着移动设备和移动数据量的爆炸性增长,对现有的用户关联/调度、接入点业务卸载和资源分配等提出了严重的挑战。本文针对云无线接无蜂窝（CF）大规模MIMO网络、超密集HetNets,研究了智能资源分配和用户关联问题。本文的主要创新和贡献如下:1)提出了一种通过最大化异构CRAN的能效（EE）来进行上行链路中用户功率控制的方法。首先在异构的架构下,建立了新的功耗模型;然后推导了 EE的数学表达式,给出在用户服务质量（QoS）和功率约束条件下最大化EE的优化问题;最后利用Online Frank-Wolfe（OFW）方法求解了此优化问题的在线功率分配。2)针对以用户为中心的超密集HetNets,提出了一种基于完全分布式聚类学习的上行功率控制方法。首先建立了最大化用户协作EE之和的优化问题;然后,提出了一种完全分布式聚类学习方法去求解这个优化问题,该方法能够通过功率控制的协作博弈来聚类相邻用户,以便调节多用户干扰。本文从理论上证明了聚类的大小对用户协作EE之和的影响。3)针对超密集HetNets,提出了一种鲁棒的两级学习功率控制方法。首先,利用改进的Jarvic-Patric（JP）算法对用户进行了聚类,与传统的JP算法不同,本文使用隶属度扩展了用户聚类形成的条件;然后,提出了一种两级分布式学习方法,用户作为自组织代理在本地和全局两个层级上联合优化功率控制。簇内用户通过协作博弈在本地层级上去优化协作EE,同时,簇间用户彼此交流信息在全局层级上在线学习,获得最优的功率控制。4)针对CF异构MIMO系统,提出了一种能量延迟感知的功率控制方法。首先,提出了一种位置感知的智能算法,它可以在每一个时隙为每一个用户动态选择异构接入点（AP）,该算法使用多层隐马尔可夫模型（HMM）来进行用户移动性预测;然后,建立了一个多目标能量延迟感知优化问题;最后,为了有效求解此优化问题,提出了两种智能学习算法,即伯努利老虎机学习算法和高斯老虎机学习算法。结果显示,所提方法即使无线信道发生剧烈变化也仍然有效。