由于普及的移动服务、无处不在的社交网络和资源密集型应用程序,移动数据流量正呈爆炸性增长。巨大的移动数据流量给移动无线接入网络及其资源部署造成负担。根据统计,很大一部分流量是通过将重复的流行数据传送到多个用户来贡献的,而且重复的数据传输主要是由流行内容的重复下载引起的。因此,在移动无线接入网设备和用户设备上部署内容缓存得到了广泛的关注。不幸的是,由于边缘节点的存储容量受到限制,随着内容的数量不断地增加,并非所有的内容都可以被缓存在边缘节点和/或用户终端设备上,因此,在移动无线接入网络中进行内容缓存优化放置成为一个热点研究方向。本文基于学习的方法,针对面向IoP的移动无线接入网中内容的缓存优化问题进行研究,所做的主要研究工作包括以下方面:（1）在面向IoP的移动无线接入网络场景下,考虑一个移动用户可与多个终端设备关联,并且考虑移动用户之间的社会关系,通过最大化设备的社交奖励值,建模了移动无线接入网中基于社会感知的主动内容缓存优化问题。为了解决上述优化问题,提出了独立强化学习、联合共享Q值强化学习、联合动作强化学习和联合回馈奖励强化学习四种基于学习的优化算法。仿真验证了所提出的四种优化算法在平均社交奖励、缓存命中率和协作命中率等方面的性能。（2）在移动无线接入网络场景下,针对内容流行度预测问题进行研究,提出了两种内容流行度预测方法,分别为基于用户和内容联合特征的内容流行度预测方法和基于联邦学习的联合用户特征和内容特征的内容流行度预测方法。同时,基于所预测的内容流行度,提出了一种基于本地内容流行度的全局内容放置优化方法,以便最大化系统的长期缓存命中率。最后,采用MovieLens数据集,针对上述所提算法进行了性能评估。仿真结果表明,所提内容流行度算法在预测准确率上具有良好的性能。与基线算法相比,所提出的基于联邦学习的方法在全局命中率和传输成本方面表现出色。