超密集网络（Ultra Dense Networks,UDN）作为5G下解决流量爆炸与满足用户增长需求的关键架构,是一种有效的方案。但在UDN网络架构中小规模基站的密集部署面临着新的挑战,例如缓存文件时缓存命中率的下降,时间延迟的显著增加以及服务质量的下滑。为了克服这些挑战并达到苛刻的性能要求,需要设计合理的缓存管理策略,以提高整个网络的性能。目前网络环境中的内容具有时变性,如何合理的设计缓存策略使得系统性能得到优化成为一个有待解决的问题。综合考虑上述背景,本文以优化缓存命中率和时延为主要目标,提出了两种适用于UDN的缓存管理策略。首先,在用户流动性较低的环境下,本文设计了一种基于内容聚类的缓存管理策略。对于超密集网络下的缓存管理策略,最近的研究通常缺少对聚类对象划定更加合理的距离函数,没有将聚类策略与预测算法进行较为合理的结合。因此通过设定Wasserstein distance作为对内容分布的相似度进行测算的距离函数,通过K-MEANS++算法对内容集合进行聚类,形成不同的内容聚类群体。通过整合移动平均自回归模型（ARIMA,Autoregressive Integrated Moving Average model）对内容聚类群体中的内容聚类中心的未来请求次数进行预测。同时,本文还通过指数加权移动平均算法（EWMA,Exponentially Weighted Moving-Average）对内容流行度进行评估,判断是否对文件进行缓存。实验证明,该缓存策略可以有效提高用户请求的缓存命中率,降低时延。其次,在用户流动性较高的环境下,本文设计了一种基于用户的动态聚类缓存策略。最近的研究大多没有考虑用户与基站缓存内容之间的关联性,同时对基站内文件的缓存评估指标过于单一。我们首先设定JS（Jensen-Shannon）散度作为度量用户相似度的距离函数。通过迭代自组织数据分析动态聚类算法（ISODATA,Iterative Selforganizing Data Analysis）进行用户聚类。然后通过用户聚类中心与基站之间的内容相似度进行匹配,以提高缓存命中率。在基站的缓存策略中,本文从文件自身热度角度、用户自身的偏好角度和文件访问被请求时间间隔角度三方面对文件内容自身价值进行评估,提出一种缓存替换的方案。实验证明,该缓存策略可以降低时延,提升用户使用质量的同时也提高了缓存命中率。