如今,随着硬件技术和5G无线网络的快速发展,从功能强大的智能手机、智能平板电脑到低功耗的智能手表和传感器,移动设备在日常生活中变得越来越普遍。随着应用程序变得越来越复杂和智能,用户需要根据应用程序的需求有效地管理复杂任务的执行。然而,由于计算能力和电池容量的限制,终端设备很难满足这些新兴移动协作应用的需求。移动边缘计算（Mobile Edge Computing,MEC）的出现解决了这个问题,MEC提供给用户一定的计算资源来满足用户的应用需求,在物理上接近终端设备,通过计算卸载将任务卸载到边缘服务器,从而提高计算密集型应用程序的性能和终端设备的电池寿命。本文针对MEC中的完全卸载和部分卸载进行深入研究,分别对两种场景下的MEC系统进行建模,并利用基于深度强化学习的方法,减少了用户执行任务的成本,主要研究内容和创新如下:（1）不同于以往仅考虑用户只有单任务及固定信道状态的情形,本文研究时变信道下随机到达任务的模型,使得研究内容更贴近现实生活。（2）针对完全卸载场景建立一个新的MEC模型,从任务模型、队列模型、本地执行、卸载执行四个模块,对模型进行了细致的描述,随后,提出了卸载任务成本最小化问题。接着,将卸载过程建模为马尔可夫决策过程,并提出一个基于Dueling DQN的算法,通过联合优化传输功率和卸载决策来解决该问题。实验结果表明,所提出的算法在完全卸载场景下能够有效减少任务的执行成本。（3）研究了具有时延约束的随机到达的任务的部分卸载,并提出了时间约束下通过联合优化任务的卸载率和用户本地执行的计算能力使得卸载任务成本最小化问题,同时保证任务的失败率最低。接着,将卸载过程建模为马尔可夫决策过程,并提出一个基于深度强化学习的算法来解决该问题。实验结果表明,所提出的算法在部分卸载场景下能够有效减少任务的执行成本,同时保证任务的失败率最低。