在信息全球化的大背景下,移动通信的发展突飞猛进,云计算、区块链、大数据等创新技术极大地改变了人们生活、工作与交流的方式,同时,随着5G+垂直行业的新型服务及应用不断出现,如:自动驾驶、智能家居、远程医疗等,人们对网络传输速率、网络可靠性等性能提出了更高的要求,因此,需要多种制式网络相融合来促进网络的“互联互通”体系。为了实现异构网络间无缝漫游,5G多连接技术成为国内外的研究热点,使用户设备同时与多个接入基站保持连接,能够增加网络覆盖范围,尤其对于网络边缘区域,能有效提高通信的稳定性,增加网络的可靠性。然而用户连接多个基站会大大增加网络中的通信链路数量,使网络结构变得更加复杂,尤其是会引起乒乓切换。现有的单连接网络资源管理算法不再适合多连接网络,需要为多连接网络探索新的资源管理方案。本文针对移动用户在多连接网络下频繁切换小区的问题,将用户同时接入的多个基站集合作为该用户的协作集,将切换小区问题转换为协作集更新问题,提出协作集管理方案,具体创新点如下:第一,本文提出了一种在多连接网络下加入门限的协作集更新方案,方案中协作集更新分为初始阶段、决策阶段及执行阶段。初始阶段,宏基站根据小基站在用户处的信号接收强度生成初始协作集;决策阶段,宏基站根据用户侧的信干噪比值（Signal to Interference plus Noise Ratio,SINR）来选择是否触发协作集更新机制,当用户侧的SINR低于设定阈值时,代表此时用户接入的协作集完全不能满足该用户的通信需求,则触发更新机制,不断选择当前接收信号强度较大的多个基站接入,将协作集更新完成;若当前协作集可以满足用户需求,则维持原来的连接;执行阶段,用户依据决策阶段选择更新/不更新协作集。第二,本文引入强化学习算法,利用强化学习的自适应性,结合研究的协作集更新方案,提出了一种基于深度Q学习（Deep Q-learning Network,DQN）的用户多连接接入算法,通过仿真实验结果表明,基于DQN的算法也降低了切换频率,同时保持着较低的计算复杂度。第三,DQN只适合处理离散低维的动作空间,为了使算法更具有实际应用意义,本文进一步引入行动家-评判家（Actor-Critic,AC）框架。由于AC框架使用确定性策略函数,对于高维的动作空间也能够直接输出动作,本文提出了一种基于AC框架的时隙分配算法,来解决在多连接网络下用户接入的基站时隙资源分配问题,并对系统进行仿真,结果证明了基于AC框架的时隙分配算法能够以多项式级别的计算复杂度实现接近最优解的性能。