本文主要研究一体化信息网络下的功率信道资源分配算法。目前5G移动通信系统处于规模商用的起步阶段,很多关键技术还需继续增强完善,尚不能满足某些特定场景下的通信需求。使人类拥有更接近“任何人在任何地方,和任何人进行任何形式的通信”目标的一体化信息网络将是下一代移动通信技术的主要研究方向。由于一体化信息网络下用户组成复杂、动态性高、对时延十分敏感,需要设计一种新的无线资源分配方法,为一体化信息网络中的用户分配功率和信道资源。深度强化学习算法在处理高维度的资源分配问题上已经取得了令人瞩目的成就,有望成为一体化信息网络中资源分配领域的支撑技术。本文将对一体化信息网络的单个簇进行建模,并使用深度强化学习算法中的深度循环Q网络算法解决该场景下的资源分配问题。首先,本文针对一体化信息网络高动态性、高复杂度的特点,将传统移动网络中小区的概念进行拓展,提出了“簇”的概念。为了研究单个“簇”内的资源分配问题,本文提出了一种三维曼哈顿网格模型。该种模型可以根据操作者的需求设计为集中式和分布式架构,并可以对单个簇内用户的通信行为进行较为真实的模拟。接着本文在阐述强化学习理论的基础上,引出了一种在解决部分观测马尔科夫过程下资源分配问题效果更好的深度循环Q网络算法。其次,在三维曼哈顿网格中设计了一种集中式的功率信道联合分配算法。我们假设环境中的感知节点的感知数据都是有噪的,将问题建模为一个部分观测马尔科夫过程。接着,根据用户的最低信干噪比门限设计奖励函数,以不同位置的感知节点的感知数据作为网络的环境状态向量,使用小批量参数学习方法反复迭代,为用户学习最优的功率信道联合分配策略。最后,在三维曼哈顿网格中设计了一种分布式的功率信道联合分配算法。我们假设模型中的用户具有一定的自主性,并拥有用户到用户和用户到基础设施两类不同服务质量需求的通信链路。接着,以两类链路干扰受限为约束条件,将问题抽象为一个多目标联合优化问题,使用离线训练模式训练深度循环Q网络,为用户学习最优的功率信道联合分配策略,并用在线测试模式对网络性能进行了比较。仿真结果表明,本文所提出的算法相比于其他算法性能提升明显。