5G三大场景应用广泛,并且呈现出各种差异化的业务,其中m MTC旨在支持大量物联网设备,仅在活动阶段偶尔发送小数据,所以本文主要考虑eMBB和uRLLC流量传输的情况。而这两种业务复用的场景也将成为经典的应用场景,而且eMBB业务用户接入多、流量大、具有十分高的传输速率,因此eMBB业务也是5G的主体业务;uRLLC业务数据量较少,要求高可靠性和低延迟的服务,在99.9999%的可靠性水平下要求1毫秒的延迟,这需要更多的无线电资源。所以考虑可靠性和延迟的问题,uRLLC业务也需要eMBB业务的超大带宽的支持。因此,从需求的角度出发,两种业务在资源方面有一定的冲突,为这两种业务进行资源分配是有必要的。本文研究内容如下所示:（1）考虑uRLLC业务和eMBB业务复用对于高数据速率和低延迟服务非常重要。在这种情况下,需要通过有效的调度来优化资源配置。因此,本文研究了一个面向uRLLC和eMBB的业务复用的动态资源分配方案。考虑到不同业务的速率需求,引入了一个Qo E感知的效用函数,根据引入的效用函数模型,基站将资源合理分配给不同用户。该算法能够保证业务需求以及最大化系统整体效用。最后通过仿真得到结果,所提算法能够在满足uRLLC流量延时和可靠性需求的前提下,提升了系统整体的效用。（2）针对非正交信道下uRLLC和eMBB业务资源分配问题,本文使用深度强化学习设计了一种合理分配资源的方案。首先考虑非正交信道下uRLLC和eMBB业务复用,建立相应的系统模型。然后引入有效容量（EC）模型来衡量该方案的性能。接着eMBB和uRLLC复用问题定义为MDP问题,通过使用深度强化学习来处理问题,设计整个流程的状态空间、动作空间和奖励,并且将所提优化目标定义为奖励函数;引入全局信息得到全局资源分配最优的策略。最后将本文的算法用仿真软件进行验证,仿真分析的实验结果表明,本文所提的算法不仅满足了uRLLC延时和可靠性需求,而且合理的分配了系统的资源和功率,有效的提高了eMBB业务的吞吐量。