随着公共安全领域中对智能计算需求的不断增长,大量终端设备(如无人机,便携的终端设备)得到了广泛应用。然而在处理一些计算密集型任务的时候,终端设备在计算能力和电池容量方面的不足就凸显出来。与此同时,一种新的计算框架——移动边缘计算(Mobile Edge Computing)提出将本地的边缘计算端和远程的云计算端相结合,通过相关卸载决策机制将计算任务分为本地任务和远程任务。其中远程任务将会被发送到拥有丰富计算资源的云服务器上执行,一些计算量较小的本地任务留在本地进行处理。为此,本文专注于研究不同的策略下的任务卸载对能耗和延时的影响,提出了两种不同的卸载策略:1)终端-边缘协同下的任务卸载策略。在一个终端-边缘系统,假设在每一个时间间隔内都有计算任务的产生(每个任务必须在这个时间间隔内被成功执行否则将会被丢弃),同时这些任务包含有一定量的隐私数据。为了使得整个系统在延时和隐私保护方面能够达到平衡,我们提出了一种基于李雅普诺夫理论的最优任务卸载资源分配的卸载策略。在该策略中,首先建立了终端-边缘服务器的两层计算模型,并在此模型上讨论了延时、能耗、信道分配以及电池电量变化的计算模型,通过动态的调整CPU的周期频率以及分配信道资源的方式来达到优化系统的开销目的,最终实现并验证该策略的有效性。2)终端-边缘-云协同下的任务卸载策略。在一个终端-边缘-云系统中,我们设计了一种新的三层计算模型,并对任务执行过程中能耗及延时的产生进行了分析和建模,然后在此基础上设计了一种适应度计算方法,最终提出了一种基于粒子群算法的能耗时延优化的任务卸载策略,来解决计算任务在终端-边缘-云上的卸载问题。