由于信息技术的飞速发展,必然出现一些对时延和可靠性有更高要求的新兴业务。5G作为新一代移动通信技术,将广泛应用于增强移动带宽（enhanced Mobile Broadband,eMBB）、超高可靠低时延通信（Ultra Reliable Low Latency Communication,URLLC）和海量物联（massive Machine Type Communication,m MTC）等场景。根据5G发展策略,在部署初期,eMBB与URLLC业务共存将成为典型应用场景。其中,eMBB业务是传统移动网络的升级,表现为数据传输速率和资源占用率高;URLLC业务是随着5G发展而提出的新应用场景,相比以前的移动通信,其时延和可靠性都有了极大的改善,可以广泛应用于车联网、智能电网和工业自动化等垂直行业领域。由于eMBB与URLLC业务均有无线传输和任务计算需求,通信系统中有限的频谱和计算资源将面临激烈的竞争。因此,在满足上述两种业务不同服务质量要求的同时,为两种业务进行合理的资源分配是本文研究的关键问题。本文在现有资源分配技术的基础上展开研究,主要研究内容和创新成果包括:针对eMBB与URLLC业务共存场景下资源竞争导致eMBB传输速率受损问题,设计了一种基于惩罚凹凸过程（Penalty Concave Convex Process,PCCP）的资源分配算法。首先,将资源分配问题描述为带有约束条件的优化问题,对优化问题进行近似转换,以得到满足PCCP算法框架的等价问题,并根据基于PCCP的迭代算法求解。其次,为了克服所提优化问题的复杂性,提出了一种低复杂度的启发式调度算法。最后,通过仿真对所提出算法的性能进行评估和比较,以说明它们在满足可靠性、延迟和最低速率要求的同时,能够为不同的业务执行资源的动态分配。针对eMBB与URLLC业务任务卸载和资源联合分配的问题,设计了一种基于深度强化学习的联合优化算法。首先,通过考虑任务卸载、用户时延、资源分配形成以最小化系统成本为目标的联合优化问题,其中计算成本由时延和能耗的加权和定义。其次,为简化该优化问题的求解,提出的方案将任务卸载和资源分配问题分为两个阶段求解,第一阶段使用基于深度Q网络（Deep Q Network,DQN）的改良算法获得用户的任务卸载决策,第二阶段使用贪婪策略和拉格朗日乘子法进行资源联合分配。最后通过仿真验证,提出的方案在满足各用户时延要求的前提下,在降低系统的计算成本方面也具有优势。