第六代移动通信（6G）网络致力于扩展5G能力，实现更高数据传输速率、更低时延、更低能耗与快速自适应性能，预期支撑万物互联（IoE）场景下多样化需求。随着自动驾驶、虚拟现实与移动计算等新兴应用发展，无线数据激增与异构网络架构使得提升网络性能、满足6G多元需求面临严峻挑战。基于学习的算法凭借其强大的数据处理能力，正成为推动通信网络演进的关键技术。

本研究通过多种网络架构下的学习算法优化下一代智能网络性能。具体而言：首先采用在线/离线策略强化学习（RL）设计无人机（UAV）轨迹优化方案，为物联网（IoT）网络提供高能效、大带宽与公平性服务；随后基于深度强化学习实现空天地一体化网络（SAGIN）异构流量分流，协同满足超高可靠低时延通信（URLLC）与增强型移动宽带（eMBB）流量需求；针对智能网络运维中的预测性网络配置、流量分流与资源分配等场景，应用联邦元学习方法优化边缘网络无线流量预测精度；最后结合无监督学习与软件定义网络（SDN）技术，构建面向服务质量的优先级聚类保障系统。