智能设备和移动应用服务的快速增长给无线网络带来了巨大的流量压力。雾无线接入网（Fog Radio Access Network,F-RAN）通过将流行的文件放置在用户身边,可以有效地提高无线网络的性能,因此越来越受到研究人员和工程师的关注。在雾无线接入网中,雾接入点（Fog Access Point,F-AP）是配备了有限的存储和计算资源的边缘设备。由于时变的用户请求和F-AP有限的存储容量的约束,每个F-AP均需要策略性地缓存文件,以获得更高的缓存效率。基于传统优化算法的分布式边缘缓存方法,大多假设文件流行度是已知且静态的,这是不符合真实情况的。产生这一问题的原因是传统优化算法并不适用于解决具有动态假设的缓存优化问题。针对这些问题,基于时变且未知的文件流行度分布假设,本文就雾无线接入网中基于深度强化学习的分布式边缘缓存方法展开了研究。首先,研究了在雾无线接入网中文件流行度未知时的分布式边缘缓存方法。对分布式边缘缓存优化问题进行建模,其优化目标被设定为最大化每个F-AP的长期净通信利润,即移动网络运营商对用户请求所收取的费用减去通信过程中所有的通信传输成本。之后,利用强化学习算法来解决这一缓存优化问题,并基于当前的雾无线接入网架构和优化目标依次定义了RL中的相关重要参数。提出了一种时变个性化的用户请求模型产生用户请求数据以构成强化学习训练过程中的外部环境。最后,为解决强化学习中经常出现的维数爆炸问题,并加快算法收敛速度,参考之前利用RL解决缓存优化问题的思路,提出了一种基于双层深度Q-网络（Double Deep Q-Network,DDQN）的分布式边缘缓存算法来寻找最优的缓存策略,其中DDQN算法是一种深度强化学习算法。仿真结果表明,该算法的性能比传统缓存方法提高了近一半,此外,和强化学习相比,基于深度强化学习的分布式边缘缓存算法收敛速度更快,缓存性能也更好。其次,考虑到用户请求会受到内容推荐的影响,通过引入合理的内容推荐可以降低用户请求的不确定性和预测难度。因此,在上述研究的基础上,对雾无线接入网中文件流行度未知且考虑动态内容推荐的分布式边缘缓存问题进行了研究。首先,对雾无线接入网进行重新建模,在其中引入了内容推荐机制。之后,将推荐策略合并至原有的缓存策略中,从而将联合的缓存和推荐策略转化为单一的缓存策略,使得后续相应的训练复杂度减半。为了匹配内容推荐策略,在原有的用户请求模型中增加了内容推荐策略相关的影响机制。最后,仍以最大化每个F-AP的长期净通信利润为缓存优化目标,提出了一种考虑时变内容推荐时基于DDQN的分布式边缘缓存算法来寻找最优的缓存策略。仿真结果表明,内容推荐可在一定程度上提高原有缓存算法的收敛速度并提高其缓存性能。最后,在上述研究的基础上,对雾无线接入网中文件大小不一致且流行度未知时考虑时变内容推荐的分布式边缘缓存方法进行了研究。现有的大部分涉及边缘缓存未编码缓存方法的研究都假设云服务器中的文件大小一致,尽管这一假设可以极大地简化缓存策略的建模和优化过程,但它并不符合云服务器中真实的文件状态。因此,在当前的系统建模中取消了对云服务器中文件大小的限制,并对考虑内容推荐的时变个性化用户请求模型进行了相应的扩展。之后,提出了一种具有动态上限的“预分割”机制作用于F-AP的文件缓存过程。为了解决该机制中存在的一些问题,又提出了一种“懒惰”更新机制作用于相关参数的训练过程。基于上述设定,以最大化每个F-AP的长期净通信利润为缓存优化目标,对考虑时变内容推荐的分布式边缘缓存问题进行重新建模。最后,提出了一种文件大小不一致且考虑时变内容推荐时基于DDQN的分布式边缘缓存算法来解决上述缓存优化问题。仿真结果表明,所提出的缓存算法可以适应云服务器中文件大小不一致的情况,且F-AP内当前缓存文件所占据的缓存容量可根据用户请求进行动态调整。