近年来,IEEE 802.11 WLAN技术快速发展并广泛部署于家庭、校园、企业园区、机场等诸多场景,为用户终端设备提供高速率的无线连接。随着终端设备数量的爆炸式增长以及互联网应用的日益丰富,大多公共场所的WLAN网络呈现出用户密集的态势。在用户密集环境下,由于频谱信道资源有限,增量部署AP并不能有效提升网络容量,且用户间的信道争用更为激烈,传统的关联控制机制使得终端选择信号强度最高的AP进行接入,极易造成AP间负载不均衡,严重影响用户体验。因此,亟需有效的关联控制机制来改善用户密集环境下的WLAN性能和用户体验。然而,由于AP与终端的连接多且复杂、环境动态变化、用户需求具有时变特性,难以直接设计出相应的关联控制策略,一种可行的思路是使用机器学习技术辅助设计。当前,利用机器学习技术进行无线网络优化逐渐成为趋势,而机器学习领域中的强化学习方法能将数据生成与模型训练相结合,在学习过程中引入动态反馈信号,适用于解决复杂环境下的WLAN关联控制问题。因此,本论文基于深度强化学习技术,设计一种可自学习、自适应复杂环境的关联控制方案,不仅在用户接入时进行智能接入控制,还在网络运行中进行动态用户迁移。具体地,本论文研究多AP协同条件下的智能接入控制机制和时变需求驱动的动态用户迁移机制,工作内容主要包括以下三个方面:（1）研究并设计多AP协同条件下的智能接入控制机制。利用状态重构、二维化和离散化等策略定义强化学习诸要素,提出基于深度强化学习的智能接入控制算法,解决了用户密集环境中AP负载不均衡和用户体验恶化的问题。该机制实现了对用户透明的由基础设施侧决策的接入控制,能够显著改善用户密集环境中的WLAN性能和用户体验质量。（2）研究并设计时变需求驱动的动态用户迁移机制。综合考虑信号强度、AP负载、用户需求和迁移频率等影响负载均衡与用户体验的关键因素,设计触发式与周期式相结合的迁移模式以及合理的迁移对象选择策略,并提出用户迁移算法,解决了由网络状态与用户需求频繁变化带来的挑战。该机制确保用户能够根据决策结果快速且准确地迁移到目标AP,在接入控制的基础上进一步改善了用户密集环境中的WLAN性能和用户体验。（3）应用上述研究成果,研究并设计了面向用户密集环境的WLAN关联控制原型系统,该系统实现了智能接入控制、动态用户迁移、自动化测试和数据流绑定等功能。然后,构建基于多射频接口的用户密集环境模拟平台,从而使原型系统能够自动化地进行模型训练与性能验证。综上所述,本论文研究多AP协同条件下的接入控制机制,提出基于深度强化学习的智能接入控制算法;根据用户需求时变的特点,设计动态用户迁移机制并提出迁移算法;最后以用户密集环境模拟平台为基础,研发一套原型系统。本论文的研究工作对于提高WLAN吞吐量、充分利用潜在带宽具有重要意义,为在用户密集环境中实现WLAN负载均衡和改善用户体验提供了理论基础和技术支持。