移动互联网的飞速发展,用户业务类型的不断增长以及移动终端设备的海量连接,对移动通信网络提出了更高的要求。为了满足移动通信网络业务类型的多样性和业务需求的差异性,网络切片（Network Slicing）技术应运而生,并成为了第五代移动通信（5th Generation Mobile Networks,5G）网络的关键技术。本文对无线接入网（Radio Access Network,RAN）侧的网络切片资源分配进行研究,研究内容主要分为以下两点:（1）基于预测的网络切片资源分配。传统预测方法总是专注对时间序列进行精确预测,这种方法对正误差和负误差的惩罚相同,对资源分配场景来说并不太适用,因为供应商在资源管理时常常希望为网络切片分配的资源能尽可能的承载所有的切片用户请求,而资源供应不足便意味着会违反与租户签订的服务水平协议（Service Level Agreement,SLA）以及导致高的用户流失率,这会带来较大的代价。因此,本文在长短期记忆（Long Short-Term Memory,LSTM）模型的基础上提出了两种需求上界预测方法,通过减少预测值小于真实值的情况,使得在资源分配时供应不足的程度降低。针对无线频谱资源受限的问题,进一步采用遗传算法（Genetic Algorithm,GA）以最小化供应商代价来求解受限资源分配问题。最后构建了虚拟化无线接入网切片动态资源管理系统对该方案进行实验仿真,结果表明,与其他基准算法相比,该方案更能有效的承载用户需求,且使得供应商因资源分配不合理而支付的代价最小。（2）基于深度强化学习（Deep Reinforcement Learning,DRL）的网络切片资源分配。在实际中经常存在用户业务请求模式随用户业务体验的优劣而变化的现象,而用户的业务体验不仅与网络环境相关,很大程度上也受分配给该用户的资源数所影响,因此用户的业务请求不应该简单的服从某种独立分布。考虑到无线网络环境的复杂性和随机性,以及用户请求模式的马尔可夫性,本文采用深度强化学习对网络切片进行资源分配,该方法以提高用户体验质量（Quality of Experience,QoE）和系统频谱效率（Spectral Efficiency,SE）为目标,并在传统算法的基础上进行了扩展。为了解决动作空间过大的问题,利用深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）框架进行训练;为了拟合用户的业务请求模式,引入循环神经网络（Recurrent Neural Network,RNN）来处理时间序列状态;为了解决无线频谱资源受限问题,引入Softmax层对DDPG的输出层进行归一化;由于DDPG的输出动作为连续变量,还引入了Wolpertinger策略寻找最优的可行离散资源分配策略。最后基于虚拟化无线网络切片资源管理系统进行验证,实验结果表明,该方案能够有效追踪用户需求模式的变化,且能够保证较高的用户QoE和整个系统的SE。