为了满足迸发的通信需求,实现未来6G“万物互联”的愿景,空基、天基与地基网络呈现出一体化的趋势。与传统的通信网络系统对比,在整合了卫星、高空平台、无人机与地面网络后,空天地一体化网络(Space-air-earth networks/Space-air-terrestrial integrated networks)可以提供全球无缝的网络连接。空天地网络还可以充分利用不同的网络特性进行协同互补,达到更低的延迟、更低的能耗与更大的网络容量。但是,空天地网络中的节点众多、不同系统的资源异构性强、信道与拓扑随机性强、用户通信需求复杂等特点,都给无线网络资源的分配带来了极大的困难,传统的分配方法已无法满足其需求。同时,神经网络、强化学习等人工智能算法已经在无线通信的各个领域得到了广泛的关注。尤其是在网络资源分配方面,智能代理可以对网络状态与网络拓扑进行一定的预测与学习,从而更加智能、精准地进行复杂、动态的通信、计算与缓存资源分配。所以,面对新的挑战,利用人工智能算法对空天地网络进行资源分配已经是大势所趋。针对空天地网络中的通信、计算与缓存问题,本文采用Q学习(Q-Learning,QL)、分层强化学习(Hierarchical reinforcement learning,HRL)等算法,构建了可靠、精准的资源分配方案,为推动空天地网络的实施进行了探索。本文的主要研究成果与贡献如下:1、基于Q学习的LEO卫星切换算法针对通信问题,由于空基与天基网络节点的天然移动性,空天地网络中的移动性管理是亟需解决的问题,而优化卫星切换方案又是移动性管理中最常见的方法。依据卫星网络的拓扑变化特点,本研究点基于Ornstein-Uhlenbeck过程对拓扑变化中的星地信道进行建模,并提出一种基于强化学习算法的低地球轨道(Low-earth-orbit,LEO)卫星切换方案,通过对累积信号质量的优化,解决了低轨卫星网络中切换时信号质量不稳定的问题。对算法进行的仿真验证表明了应用此算法减少了切换次数,降低了乒乓切换率。2、基于分层强化学习的星地融合网络计算卸载算法针对计算与缓存的问题,充分利用卫星网络所能采集的绿色能源将会是一条可行的路径。本研究点针对卫星处于轨道不同区域的绿色能源采集情况进行了分析,考虑服务器的缓存限制,提出了一种基于深度Q网络(Deep Q-learning,DQN)的计算卸载算法,通过提高绿色能源的利用率及卸载算法的智能性,优化了星地融合网络中的计算卸载策略。同时,利用分层强化学习与多层网络及卸载问题的适配性,提出了一种基于HRL的卸载算法,并对算法进行了仿真验证,结果表明其提高了计算卸载算法整体的准确性、稳定性及实现速度。