随着移动通信的发展,通信系统中的用户设备、用户需求速率等呈指数增长,为了提升无线移动网络容量,小区密集化成为增加系统容量的重要技术手段之一。超密集网络作为小区密集化手段之一,它采用密集化部署微基站来解决热点地区容量低的问题。但是这也导致超密集网络在工程实现上面临着很多问题,比如说能耗和求解问题复杂度问题等。由于微基站数量大,通信系统的能耗不断增大,另外,微基站的数量过大也会导致资源分配和功率分配求解问题复杂。本论文首先分析了超密集网络中网络节能、资源分配的国内外研究现状,发现超密集网络主要问题为由于网络节点多、干扰严重、能耗大、网络拓扑复杂导致的求解空间规模大。接着分析了超密集网络的系统特点,完成了超密集网络的站址建模和信道建模,并简单的介绍了分簇算法,长短期记忆人工神经网络和强化学习,为后续的研究做铺垫。然后,为了减少超密集网络能耗,本文提出了一种基于强化学习的基站休眠策略。先对超密集网络的能耗模型进行了建模与分析,阐述了基站各个部分的能量消耗。由于基站是否休眠和该基站的业务负载有关,如果能提前知道基站的负载状况,就可以提前做出决策。根据历史流量数据进行下行流量预测,根据流量预测和资源预留大小来确定候选待关闭微基站;最后提出了一种基于强化学习的基站休眠策略,在保证服务用户的最低服务质量的基础上,确定需要关闭的微基站。仿真结果表明,本文提出的基于强化学习的基站休眠策略可以减少网络能耗,进而提升系统的能量效率。最后,本文研究了微基站的分簇算法,在分簇的基础上完成了资源分配。本文采用了多智能体强化学习,进行了频率和功率联合分配算法。首先,对超密集网络进行分簇,降低网络的规模,然后进行簇间资源分配,尽量将增大使用相同资源块的用户间距离,从而减少同频干扰。根据簇间资源分配后,采用强化学习算法,进行频率和功率的联合分配,为了减小动作空间,引入了多智能体的概念,提出了一种中心化训练去中心化执行的多智能体强化学习的资源分配算法。仿真结果表明,与现有算法作比较,基于强化学习的资源分配算法可以提高系统的能量效率和频谱效率。