随着移动互联网的快速发展和智能终端的不断普及,新业务、新场景以及流量爆炸给移动通信网络的覆盖容量性能提出了更高要求,在此背景下,网络无线环境图构建和性能自优化方法研究受到了广泛关注。然而,传统构建方法依赖大量的终端测量数据,开销大且时效性差,而传统优化方法存在收敛慢、复杂度高、需要获取全局信息等问题,此外,现有研究大多仅基于仿真数据进行性能评估。为支撑未来网络的高性能需求,本文对无线环境图构建与覆盖容量自优化进行了深入研究,主要工作内容和创新如下:针对环境采集数据不足时,全局插值构建速度慢的问题,本文提出了一种基于 FINCH（First Integer Neighbor Clustering Hierarchy）聚类和局部克里金插值的构建方法,以直观展示关注区域中的覆盖状况,为网络弱覆盖探测提供依据。具体地,首先利用部分采集的RSRP（Reference Signal Received Power,参考信号接受功率）数据及其地理位置信息,计算全局经验半方差函数值,并使用加权最小二乘法得到半方差函数的球面拟合模型。接着采用FINCH聚类得到已知点的多层分簇结果,实现对采集数据由精细到粗略的分簇。对于接收信号强度待估计的点,选择与其在空间位置上距离最近的若干个簇作为估计组,通过求解克里金方程实现局部插值预测。由于仅选择了空间关联性较为密切的部分已知点数据进行插值预测,因此可显著提升环境图构建速度。基于采集的真实网络数据,实验表明所提方法在保证一定精度的前提下降低了环境图构建时延。此外,通过多层迭代分簇与估计组自定义选择还可实现构建速度与构建精度间的有效权衡。针对现有覆盖容量自优化方法高复杂、依赖显示数学模型等问题,本文提出了一种基于回声状态网络和分布式Q学习的覆盖容量自优化方法。具体地,将每个基站视为一个可自主控制下行发射功率与用户子信道分配的强化学习智能体。每个基站的观测状态为当前该基站的配置策略及用户速率,每个动作代表该基站的一种功率选择与子信道分配策略。为了实现覆盖与容量的折中,回报函数定义为全局平均用户速率与边缘用户速率的加权和。所提方法特色在于使用具有稀疏连接的回声状态网络进行Q函数近似,克服了经典深度强化学习方法中使用全连接神经网络带来的高训练复杂度,与此同时,采用多智能体强化学习还可有效克服单智能体下动作空间爆炸的问题。仿真和平台实测结果表明,所提方法性能接近遗传算法,优于基于传统分布式Q学习的方法。综上,本论文对无线环境图构建和无线网络中的覆盖容量自优化问题进行了研究,提出了基于FINCH聚类和克里金插值法的构建方法以及一种基于回声状态网络和分布式强化学习的功率与子信道联合优化方法。本文研究对未来无线网络的覆盖容量问题探测和性能自优化具有重要意义。