相比于6 GHz以下频段,高频率的毫米波频段有着更丰富的频谱资源、更大的信号带宽以及更高的传输速率,因此新一代通信系统也将使用频段扩充到了毫米波。与此同时,高频率的毫米波信号在传输时存在着巨大的路径损耗,通常需要利用波束成形技术将信号能量集中形成窄波束进行通信,因此高性能的波束管理算法是毫米波通信系统的关键。然而,目前用于毫米波波束管理的传统算法通常需要进行系统开销较大的信道估计,这使得毫米波通信系统应用于实时性较高的通信场景存在一定挑战。另一方面,基于视觉数据和机器视觉技术的毫米波波束管理无需信道估计,其通过显式或隐式的估计基站与目标用户之间的相对位置直接预测最优波束,具有较低的系统开销。因此本文提出了一系列面向毫米波波束管理的机器视觉改进算法,具体研究内容包括:（1）基于目标检测的毫米波波束管理算法研究为解决已有的基于图像分类的毫米波波束管理算法不能较好适用于多用户场景的问题,本文提出了一种基于目标检测的毫米波波束管理算法。该算法以固定于基站上的相机拍摄的图像为输入,首先通过YOLOv3目标检测器定位所有目标用户位置,然后采用基于Highway网络的角度预测模块估计用户与相机之间的角度,最后结合角度和码本信息为用户选择最佳的波束向量,在多用户场景取得了较好的提升。（2）基于目标检测的毫米波波束管理改进型算法研究虽然上述提出的基于目标检测的毫米波波束管理算法模型性能较为理想,但是在实际部署中仍然存在推理速度慢和数据需求量大的不足,因此本文做出了进一步改进工作。一方面,本文基于批标准化层尺度缩放因子对卷积网络进行了通道剪枝和层剪枝改进,既有效的加快了模型推理速度,同时也减小了模型体积。另一方面,本文基于度量学习设计了一种小样本目标检测改进算法,较好地解决了原有算法在样本较少的场景中表现不佳的问题。（3）基于序列模型的毫米波波束管理算法研究针对单时刻图像数据模式无法完成复杂毫米波波束管理的问题,本文以历史图像序列以及对应波束序列数据为输入,提出了一种基于序列模型的毫米波波束管理算法。该算法通过图像特征提取模块、图像-波束序列特征交互模块、基于门控机制的特征融合模块较好地编码了图像序列的时空信息以及图像与波束的交互信息。该算法不仅可以解决单时刻图像数据模式无法完成的多用户阻塞预测问题,还可以进一步解决更复杂的对未来时刻用户进行最佳波束预测和链路状态预测的波束管理问题。