随着移动数据量的快速增长与新型移动业务的蓬勃发展,新一代移动通信系统需要实现更低的时延与更高的传输速率。传统的网络架构在系统容量、用户体验等方面均难以满足要求,因而需要研究并部署新型无线网络架构以应对这些挑战。密集协作网络作为一种典型的新型无线网络架构,能够显著提高系统的频谱利用率与传输速率,是近年来的研究热点,但该架构下回程链路负载过高也成为网络性能提升的瓶颈。缓存管理技术通过在网络边缘高效部署存储单元,能够有效降低回程链路压力。因此,在密集协作网络中进行缓存管理具有非常重要的意义。将缓存管理引入密集协作网络可缓解回程链路压力、降低时延,与此同时,其也将面临一些挑战。一方面,密集与协作特性使得不同基站的缓存部署相互牵制,提高了缓存管理的难度;另一方面,基站密集部署时用户在局部区域内表现出的行为特点为缓存管理的准确性带来挑战。针对上述问题,本文在以密集协作网络为代表的新型网络下开展缓存管理的相关研究工作,主要研究与创新点总结如下:针对密集协作网络下缓存容量与内容相互影响从而导致缓存布设成本升高的问题,提出了一种容量设置与文件放置联合优化的缓存方案。该方案考虑文件交付时延约束等因素,建立了最小化总缓存容量的联合优化问题,采用坐标轴下降算法与缓存价值竞争算法进行迭代求解。仿真结果表明,与不考虑相互影响的贪婪算法相比,所提算法能够有效降低缓存总容量,在性能达到最优解96%的前提下,最大可节省约42%的缓存布设成本。针对用户兴趣不断改变导致缓存文件难以持续满足用户需求的问题,在密集协作网络场景下提出了一种基于用户兴趣变化的强化学习缓存方案。该方案考虑缓存容量约束,建立了最小化回程链路平均负载的缓存策略优化问题,采用引入门控循环单元的深度Q网络模型分析用户的兴趣变化,结合强化学习算法对最优缓存策略进行求解。仿真结果表明,所提方法在缓解链路负载方面明显优于基于规则的传统缓存方法,以及不考虑用户兴趣变化的强化学习方法,证明了本方法的有效性。针对用户行为多样性导致的文件流行度预测误差与回程链路负载波动问题,提出了基于不完整用户行为的流行度预测方案与基于用户行为分析的链路负载预测方案。流行度预测方案基于不完整用户行为,利用基站间协作共享抽象数据,结合机器学习方法以最小化预测误差。链路负载预测方案采用时空二维行为分析方法结合组合预测模型以最大化预测准确率。结果显示,所提负载预测方案相比于传统的预测方法,能够更好地把握回程链路负载的变化,所提流行度预测方案能够有效缓解数据不完整导致的预测误差,提高缓存性能。