近年来随着无线通信网络的迅猛发展,移动用户数量和数据流量都保持着持续快速的增长,机器学习技术与无线网络的结合也因此愈发紧密。一方面,机器学习可以被应用来优化无线网络:例如,结合机器学习技术,运营商可以通过高效准确地提取网络服务指标与用户体验质量（Quality of Experience,QoE）之间的联系来建立预测模型,以优化资源分配。另一方面,无线网络的优化可以极大地提升机器学习系统的性能:例如,在联邦学习（federated learning）系统中,全局模型的聚合过程会受到通信带宽的限制,而信号传播过程中的不利通信环境也会对性能造成显著影响。本文从机器学习与无线网络之间的双向关系出发进行研究,主要工作和贡献如下:（1）基于监督学习分类提出了一种针对动态网络的资源分配模型,以提升用户体验质量。具体来说,本文应用逻辑回归分类器来指导资源分配,并以最小化时间平均的新用户抱怨概率为目标来构造优化问题。这个问题是一个随机优化的问题,为此本文采用李雅普诺夫优化技术进行问题转换并提出了一种在线资源分配算法。仿真结果验证了本文所提出的结合机器学习的资源分配算法的有效性。（2）基于空中计算技术（over-the-aircomputation）,本文提出了一种智能反射面（intelligent reflecting surface）辅助下的联邦学习系统,以提高频谱利用效率,实现快速高效的模型聚合。本文通过联合优化设备选择、基站处的波束成形向量和智能反射面处的相移矩阵来优化学习表现。这个构造的问题是一个稀疏的低秩优化问题,为此本文提出了一个两步的交替优化框架,并且应用DC（difference-of-convex）规划算法来进行低秩优化。仿真结果表明应用本文提出的算法和部署智能反射面可以有效降低训练损失,并且提高联邦学习的预测精度。