近年来,随着智能移动设备的迅猛增加和网络多媒体应用的快速发展,移动用户对无线网络数据的需求呈爆炸式增长,加剧网络传输压力。基于小基站网络的移动边缘计算和无线缓存技术利用小基站的计算和存储能力,将流行的多媒体信息缓存在网络边缘端,有效降低数据冗余传输,提高内容下载速度和无线网络的传输效率,从而提升用户体验。本文面向小基站网络架构,设计了三种动态缓存内容更新算法,以提高小基站缓存命中率,降低主干网络中的传输负载。本文围绕以上问题展开研究,并取得如下成果。（1）在单基站多用户环境下,针对传统缓存替换方法无法捕捉真实环境中内容流行度和用户请求的动态特征,提出了一种基于深度强化学习（Deep Reinforcement Learning,简称DRL）的新型动态内容更新算法,即具有辅助内存的循环Q网络算法。该算法能够根据随机环境实时优化缓存策略,提高基站的缓存命中率。仿真结果表明,所提出的算法与先进先出算法、最近最少使用算法和传统深度Q网络算法相比,能够有效提高基站缓存命中率,同时使基站获得稳定的长期系统奖励,快速适应网络环境的动态变化。（2）针对多基站边缘缓存系统,设计了一种基于DRL的集中式内容更新算法,即双重深度循环Q网络算法。该算法获取各个小基站的本地系统状态形成全局状态信息,通过分析全局状态信息来协调小基站间的缓存更新过程,减少缓存冗余。仿真结果表明,该算法与随机算法以及传统DRL算法相比,具有更好的全局缓存命中率和小基站本地缓存命中率。（3）针对多基站边缘缓存系统中集中式算法复杂度较高的问题,提出了一种基于联邦学习（Federated Learning,简称FL）的动态协作更新DRL算法。该算法将异步优势演员评论家算法与FL相结合,以更加高效的方式训练小基站的本地模型。与集中式更新算法相比,该算法将训练数据保存在小基站本地,不需要上传至宏基站,并且小基站间无需额外的信息交换,能够显著降低数据传输成本和算法复杂度。基于真实数据集的实验结果验证了该算法在缓存命中率、长期系统奖励以及数据传输成本方面具有较好的表现。最后,对全文工作进行分析总结并展望未来的研究方向。