智能终端的迅速普及使得网络流量需求爆炸式增长,为了提高网络传输和管理效率,5G云无线接入网络（Cloud Radio Access Network,C-RAN）应运而生,其通过大量部署小型基站来提升网络容量。但是,基站的密集部署对网络能效和负载均衡均带来了巨大挑战。本文聚焦于5G C-RAN,提出了负载与网络资源匹配以及面向容量优化的高能效负载均衡机制,根据动态的网络流量需求,自适应地调整基站工作模式及网络资源的使用,以此提高网络的能量效率。针对5G C-RAN中负载和活跃基站数量不匹配带来的高能耗问题,本文提出了一种基于深度强化学习的负载和资源匹配策略。该方法首先建模了联合服务质量的系统能耗模型;其次基于马尔可夫决策过程预测下一时刻的网络流量;最后基于负载预测,进行智能的基站开/关决策,在保证网络处理时延和用户最小信干噪比需求约束条件下,实现了负载和网络资源的匹配,极大提升了网络能量效率。针对5G C-RAN中网络需求在时间空间动态随机变化导致的负载不均衡问题,本文提出了基于深度强化学习的双层负载均衡策略,该机制构建了双层负载控制体系,顶层集中式负载控制器将区域内的基站按照历史负载级别划分为多个集群,从宏观角度适应动态的全局负载波动。而针对每个集群的底层自组织负载控制器,采用基于深度强化学习的移动性负载均衡方法,在保证网络中断概率、用户最小信干噪比需求的条件下,实现了更精细的负载调整。