近年来,智能反射表面技术（Intelligent Reflecting Surface,IRS）作为一种可显著提升通信系统频谱效率、能量效率的革命性技术而受到工业界和学术界的广泛关注。IRS是由大量无源反射阵元构成的人造超表面,各反射阵元在IRS智能控制器的调节下可独立地对入射信号进行实时幅度及相位调节。根据无线环境对各IRS阵元反射系数进行合理设计,可以增强目标用户信号强度或降低其干扰。然而,IRS相位偏置矩阵设计往往复杂度较高,存在实际应用的局限。针对这一问题,本文研究了IRS辅助的无线通信系统中基站有源波束赋形及IRS相位偏置矩阵联合优化算法设计,以较低的计算复杂度获得接近最优的性能。首先,针对IRS辅助的下行多输入单输出（Multiple-Input-Single-Output,MISO）系统,在最大化用户接收信噪比（Signal-to-Noise Ratio,SNR）准则下提出一种基于深度强化学习（Deep Reinforcement Learning,DRL）的高效基站有源波束赋形与IRS相位偏置矩阵联合优化算法。在所提算法中基站有源波束赋形采用最大比发送（Maximum Ratio Transmission,MRT）,而IRS相位偏置矩阵利用DRL方法进行优化设计,将上一时刻用户处接收SNR及各反射阵元偏置角作为状态,将各相位偏置构成的矢量作为动作,将用户接收SNR作为奖励,利用深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法进行深度神经网络（Deep Neural Network,DNN）参数学习更新。仿真结果表明所提出的DRL算法能够以较低时间复杂度取得近似最优的性能。其次,针对IRS辅助的安全传输系统,在最大化系统保密速率（Secrecy Rate,SR）准则下设计基于交替优化（Alternating Optimization,AO）的基站有源波束赋形及IRS相位偏置矩阵联合优化算法。所提算法在固定IRS相位偏置矩阵的条件下,利用广义瑞利熵定理求出最优基站有源波束赋形矢量闭式解。进而,在固定发射波束赋形矢量的条件下求解非凸的IRS相位偏置矩阵优化问题。为使IRS相位偏置矩阵优化问题更易求解,首先利用二次转换（Quadratic Transform,QT）将IRS相位偏置矩阵从目标函数的分子、分母中解耦,接着利用低复杂度的流形优化（Manifold Optimization,MO）算法或交替方向乘子（Alternating Direction Method of Multipliers,ADMM）法求解转化后的二次规划（Quadratic Programming,QP）问题。仿真结果表明,所提出的优化算法能够以较低的复杂度逼近性能上界。此外,仿真结果验证了当系统中仅存在一个窃听者时添加人工噪声（Artificial Noise,AN）无法提升系统SR。最后,本文研究了IRS辅助的下行宽带正交频分复用（Orthogonal Frequency Division Multiplexing,OFDM）系统,在最大化系统可达速率准则下设计了基于AO的基站有源波束赋形及IRS相位偏置矩阵联合优化算法。不同于窄带系统,在宽带系统中,IRS相位偏置矩阵需综合考虑不同子载波上的信道增益,因此优化复杂度大大提高。所提算法在固定IRS相位偏置矩阵条件下,利用Cauchy-Schwarz不等式及注水算法推导出各子载波的最优有源波束赋形矢量闭式解。在固定各子载波有源波束赋形矢量条件下,利用分式规划（Fractional Programming,FP）将难以求解的IRS相位偏置矩阵优化问题转化为QP问题,进而采用低复杂度的MO算法或优化最小化（Majorization-Minimization,MM）算法求解近似最优的IRS相位偏置矩阵。此外,为了进一步减少算法迭代次数,本文以最大化子载波增益和（Sum of Subcarrier Gain Maximization,SSGM）为准则提出了一种启发式IRS相位偏置矩阵优化算法。仿真结果表明,所提算法能够以较低计算复杂度获得接近上界的性能。