当前,不断涌现的新业务和新应用对移动通信网络的覆盖容量提出了更多挑战。在覆盖容量问题探测方面,无线环境地图(radio environment maps,REMs)具有重要作用,然而其传统构建方法在测量数据不足时,地图准确度受损严重。另一方面,在出现问题后需要进行覆盖容量优化,虽然集中式优化算法性能优,但却需要获取网络全局信息。为了克服前述问题,本文针对蜂窝无线网络场景,提出了基于K-means区域聚类的REM构建方法和仅需少量信息交互的分布式优化方法。此外,本文设计并搭建了相应的硬件实验平台,在此基础上完成了 REM构建方法的性能验证。论文的具体工作包括:针对由测量数据不足导致REM构建准确度不高的问题,本文提出了一种基于K-means区域聚类的REM构建方法,并以此来进一步探测当前网络中的覆盖容量问题。具体地,由于每个区域具有不同的无线电传播特征,首先利用历史测量数据将有关区域分为多个簇,每个簇中所有的区域具有相同的大尺度路径损耗参数,以此构建更加准确的REM。此外,当新的测量数据上报后,每个簇中的阴影效应参数通过期望最大化算法进一步更新,从而使REM实现环境自适应。实验结果表明,所提方法在构建准确度上明显优于其他基于插值的对比方法,且当测量数据少时能够保持较高准确度。针对集中式覆盖容量优化算法需获取全局信息的问题,本文提出了一种基于分布式强化学习的基站射频参数调整方法。具体地,为了避免出现多个问题小区以及问题区域调整较大从而影响邻小区性能的情况,优化目标定义为整个区域的覆盖和容量的加权,接着将相应优化问题建模为马尔可夫决策过程(Markov Decision Process,MDP)。基于对MDP的分解,每个基站可视为一个自主控制自身射频参数的智能体,通过与环境进行交互,实现网络覆盖容量的分布式优化。进一步地,为了加快分布式强化学习的收敛,设置了中央控制器实现各个智能体参数调整的协作。仿真结果表明,与遗传算法等集中式对比方案相比,本文所提基于分布式强化学习的优化方法能够达到接近最优的全局覆盖率和容量性能。为了采集真实网络场景下的无线环境数据从而对所提REM构建方法进行训练和性能评估,本论文搭建了基于开源软件定义无线电项目OpenAirInterface的通信实验平台,并于应用层完成了用户、基站和智能网络管理软件的开发,实现了无线环境数据的采集、存储、以及无线环境图的可视化等。所提REM构建方法在训练完成后部署在智能网络管理软件侧,可通过用户端上报的参考信号接收功率数据实时刷新REM。