随着众多移动社交平台和多元化新兴业务的不断涌现,无线业务呈现高并发的态势,而无线资源则已十分紧缺。在由云-边-端构成的层次化内容中心无线网络中,通过引入分布式缓存技术,热门内容可以预先缓存至网络边缘以及终端,从而降低远端云负载压力,特别是减缓高峰时段的拥塞情况。本文聚焦层次化内容中心无线网络中内容传输与部署两个阶段,针对通信-缓存资源的协同优化进行相关研究。首先,在基于边缘节点的分布式缓存系统中,面对大规模网络下频谱资源紧缺与业务高并发的矛盾问题,本文提出了一种基于全双工与非正交多址接入的内容分发方案。通过全双工中继扩展内容分发范围,并引入非正交多址接入技术实现多用户的内容分发。推导了内容成功分发概率,以最大化内容成功分发概率为目标,优化边缘节点的发射功率以及频谱资源分配。仿真结果验证了该内容分发机制的性能。然后,在基于终端的分布式缓存系统中,为激励具有自私性的终端缓存并共享内容,同时考虑到缓存节点的隐藏信息问题,本文提出了基于逆向选择模型的激励机制。进一步地,考虑到单跳D2D通信范围有限,本文进一步通过引入全双工中继扩展内容传输的范围。并针对该方案下存在的隐藏信息与隐藏行为问题,利用结合道德风险与逆向选择模型,设计了合理的契约激励机制,并优化通信-缓存资源。仿真结果验证了激励机制的合理性和有效性。最后,本文进一步地将研究扩展至网络环境动态变化,内容流行度未知场景下的资源优化。具体地,本文提出了一种基于深度强化学习的通信-缓存优化方案。并考虑了缓存节点的协作意愿,同时,为有效较低行为及状态空间,本文将缓存节点划分为多个分簇,将分簇看作独立的智能体,对簇内缓存节点的通信-缓存策略进行联合优化,有效降低了行为及状态空间大小。仿真结果表明,提出的方案更好的实现了算法复杂度与性能之间的折中。