随着移动通信的发展,越来越多的设备接入到网络中,超密集网络（Ultra-dense Network,UDN）变得十分重要。当基站的覆盖范围变小并且数量变多时,这样可以满足热点地区对于网络容量的要求,并且可以提升频率和能量利用率。但是不可忽略的是,小小区的密集化以及网络结构的复杂化使得系统内的干扰变得更加复杂,同时用户也会出现频繁的切换。如何能够完善切换管理以及解决超密集网络中对资源分配的高计算复杂度变的很重要。本文对于切换管理和资源分配的国内外研究进行了阐述和总结,分析了当前研究中存在的不足。介绍了超密集网络的一些常用概念,包括超密集网络基站部署模型及信道模型,分析了传统的基站切换技术及超密集网络中的增强切换管理技术。然后介绍了一种简单超密集网络中的频率分配方案以及功率分配方案。本文基于深度学习提出了一种预切换管理技术。首先建立了泊松点过程的基站分布模型以及用户的随机路径点模型,利用用户的移动模型收集数据。为了对本文中提出的切换管理进行评估,介绍了切换中可能出现的切换失败和乒乓切换的概念。为了保障切换指令的正确发送以及接收,本文提出了一种预切换管理技术,在传统的A3触发事件之前,再建立一个触发机制,而这个触发机制的判决条件是用户的信干噪比。为了提前获取用户的信干噪比,本文使用深度学习对用户的信干噪比进行预测。同时为了减少乒乓切换的发生,在设置触发事件时对可能发生乒乓切换的情况会增大切换门限。仿真结果表明,本文的算法在某些指标上有着很好的提升。本文基于深度学习提出了一种资源分配算法。为了降低实时计算时间,首先介绍了分簇算法。在基于干扰的分簇方案下,进行优化,提升了分簇性能。为了降低实时计算时间,采取深度学习对用户轨迹预测,然后对用户提前进行分簇,在进行资源分配的时候只需完成频率以及功率的分配,而无需分簇。接着介绍了基于簇优先级的簇间子信道分配,然后基于轨迹预测提出了一种用户优先级的簇内子信道分配。为了减少由于瞬时值对于分配算法的干扰,在进行簇内子信道分配时使用了两个时间点的值计算用户优先级值。最后基于分簇算法通过公式推导进行功率分配。