为应对5G/B5G网络新型通信技术场景给网络资源管理带来的挑战,本文重点围绕网络能耗问题和低时延需求,开展5G/B5G网络高效协同资源管理研究。针对5G/B5G网络能耗问题,研究基于用户体验的高能效网络资源管理模型、大规模MIMO场景下高能效的资源管理模型、供电侧能量感知的低时延网络资源管理模型。针对低时延需求,研究边缘计算场景下低时延网络资源管理模型、基于联邦学习的分布式资源管理方法等关键理论方法,实现网络多维资源协同高效管理。本文主要贡献如下:（1）针对5G/B5G网络能耗问题,本文以“节流”为研究思路,分别基于单天线与多天线异构网络场景,研究相应网络高能效资源管理模型及方法。基于单天线异构网络场景,着重解决小基站密集部署所带来的高能耗及共信道干扰问题,并综合考虑网络边缘用户体验和QoS要求,优化网络频谱和功率资源分配,提出基于用户体验的高能效异构网络资源管理模型。基于大规模MIMO融合异构网络场景,着重解决大规模MIMO部署带来的能耗问题,综合考虑网络频谱效率、基站承受负载等因素,以网络能效最优为目标,提出能效优先的功率控制和接入选择联合优化模型。（2）针对5G/B5G网络能耗问题,本文以“开源”为研究思路,在基站供电侧接入可再生能源,降低网络对电网能量的需求,并研究网络高效资源管理模型及方法。针对可再生能源不确定、间歇性的出力特性,考虑在感知供电侧能量的基础上,以最小化网络中用户的平均等待延迟和电网功耗为目标,研究多目标网络用户-基站关联机制,动态优化网络负载分布,分别提出高效基站侧与用户侧迭代关联方法,在最大化利用可再生能源的同时最小化网络时延。（3）针对5G/B5G网络低时延需求,本文重点以边缘计算场景为基础,从网络层解决由于用户/终端侧的能量有限性导致的网络时延瓶颈问题。与传统多用户边缘计算系统不同,本文融合异构网络与边缘计算场景进行研究,并综合考虑网络中干扰管理模型及终端侧能量受限特性,以最小化网络时延为目标,研究用户计算任务卸载决策和资源分配联合优化算法。进一步考虑实时业务场景中适用性以及数据隐私保护特性,本文将深度学习与联邦学习引入计算任务卸载决策中,提出分布式智能计算任务卸载算法,有效降低了算法执行时间。