Die rasche Verbreitung mobiler Geräte und der steigende Beliebtheit von Mobilanwendungen und -dienstleistungen stellen neue, bislang unbekannte Anforderungen an die Infrastruktur für mobile und drahtlose Netzwerke. Die kommenden 5G-Systeme entwickeln sich, um den explosionsartigen Anstieg des mobilen Datenverkehrs, eine flexible Ressourcenverwaltung zur Optimierung der Benutzererfahrung sowie die Gewinnung detaillierter Echtzeit-Analysen zu unterstützen. Die Erfüllung dieser Aufgaben ist herausfordernd, da mobile Umgebungen zunehmend komplex, heterogen und sich ständig verändern. Eine mögliche Lösung besteht darin, fortgeschrittene maschinelle Lernmethoden einzusetzen, um den Anstieg der Datenvolumina und algorithmisch gesteuerten Anwendungen zu bewältigen. Der jüngste Erfolg des Deep Learnings legt neue und leistungsfähige Werkzeuge nahe, die Probleme in diesem Bereich angehen.In dieser Arbeit schließen wir die Lücke zwischen Deep Learning und Forschung im Bereich mobiler und drahtloser Netzwerke, indem wir eine umfassende Übersicht über die Schnittstellen zwischen beiden Bereichen präsentieren. Zunächst führen wir kurz wesentliche Grundlagen und den aktuellen Stand der Technik bei Deep-Learning-Methoden ein, die potenziell auf Netzwerkanwendungen abzielen. Danach diskutieren wir mehrere Techniken und Plattformen, die eine effiziente Implementierung von Deep Learning in mobile Systeme erleichtern. Im Anschluss geben wir einen lexikalischen Überblick über Forschungsarbeiten im Bereich mobiler und drahtloser Netzwerke basierend auf Deep Learning, den wir nach verschiedenen Domänen kategorisieren. Aus unserer Erfahrung heraus diskutieren wir, wie man Deep Learning auf mobile Umgebungen abstimmen kann. Wir vervollständigen diese Übersicht durch die Identifizierung aktueller Herausforderungen und offener zukünftiger Forschungsrichtungen.