实时多媒体服务在5G通信网络中逐渐成为主要业务,伴随产生的极大数据通信量对无线通信网络造成了巨大压力。而且,当前服务时延标准已无法满足新兴的毫秒级业务要求,成为传统云无线接入网（Cloud Radio Access Network,CRAN）的主要技术瓶颈。针对这些问题,一种改进后的新架构雾无线接入网（Fog Radio Access Network,FRAN）被提出。FRAN最主要的特点在于边缘缓存,即各个雾接入节点（Fog Access Point,F-AP）可根据用户需求提前缓存特定内容,能够显著的减少用户的服务时延和缓减后传链路压力。为了充分利用网络边缘资源,分布式内容布置方案成为研究关键。然而,目前的相关研究假设缓存节点已知重要的网络参数,且不能适应时变的用户请求等等。针对这些问题,本文就雾无线接入网中的分布式边缘缓存方法展开了研究。首先,研究了基于势博弈的分布式边缘缓存方法。首先,以最小化网络平均时延作为优化目标并考虑到多方面因素对其的综合影响。第一,存在某类用户,他们被多个F-AP共同服务,则用户请求不同内容时可动态选择服务F-AP,这会导致得到不同的网络时延。第二,用户需通过后传链路获得内容时,考虑到F-APs后传链路质量存在很大差异,改善因此造成的网络时延。第三,考虑到受限的后传链路资源,F-AP缓存内容的释放和更新需要错开流量高峰期,避免加重拥塞。其次,基于势博弈相关理论,构建合适的势函数和效用函数,提出了一种基于势博弈的分布式边缘缓存方法,并证明该博弈均衡点的存在性。最后,将基于势博弈的分布式边缘缓存方法同启发式算法做仿真比较,验证了算法的性能。其次,在上述方法的基础上,研究了基于势博弈的改进的分布式边缘缓存方法。首先,综合考虑了F-AP和用户之间的拓扑关系、用户无线链路质量、F-AP后传链路质量、文件流行度对缓存方案的影响。其次,由于势博弈收敛准则的约束,导致存在相同服务用户的F-AP无法在同一优化周期进行缓存策略的更新,提出将势博弈算法与基于图论的动态规划算法结合,得到了收敛性更强的分布式缓存方案。最后,将基于势博弈的改进的分布式缓存方法同基准算法做仿真比较,验证了算法的性能。最后,在考虑F-AP并未事先得知任何用户或者网络信息的前提下,研究了基于强化学习的分布式边缘缓存方法,以最大化长期的缓存命中率。首先建立系统模型用于将F-AP的缓存问题重构为多代理的强化学习过程。其次,给出基于两阶段学习的强化学习算法,并进一步证明算法的收敛性、稳定性以及最优性。最后,通过仿真验证算法的收敛性,并与先进先出缓存（First In First Out,FIFO）、最少频率缓存（Least Frequent Used,LFU）、最近最少缓存（Least Recent Used,LRU）等经典内容替换算法进行性能比较,进一步验证算法的优越性。