随着智能移动设备和物联网(Internet of Things,Io T)的飞速发展,人工智能(Artificial Intelligence,AI)、增强现实(Augmented Reality,AR)和虚拟现实(Virtual Reality,VR)等新型应用不断涌现,然而,通常本地设备的计算能力、通信资源、存储大小和电量都十分有限,这对于完成计算密集型且对延迟敏感的应用程序是巨大的挑战。移动边缘计算(Mobile Edge Computing,MEC)通过在网络边缘部署具有计算和存储能力的服务器来为移动设备提供处理服务,这可以满足用户对计算密集和延迟敏感类任务的需求,因此MEC在工业界和学术界均受到了广泛的关注。本文针对MEC中最关键的卸载问题,主要研究了云辅助移动边缘计算网络中任务卸载策略和优化,主要内容和创新点可以归结为以下两个方面:1.研究了二进制任务卸载模型下云辅助MEC任务卸载策略问题。针对MEC服务器计算资源有限和任务卸载时设备间干扰问题,提出了势博弈卸载算法(Potential Game Offloading,PGO)来解决上述问题。首先,建立了云-MEC-设备三层系统模型,并列出了本地计算和卸载计算两种模型,以最小化系统总消耗为研究目标,将问题建模为资源受限的卸载策略问题。然后,通过分析原问题被转化为势博弈卸载问题,通过构造势博弈函数对问题进行求解,提出了PGO算法。最后,通过仿真实验证明了所提的PGO算法能够在有限的迭代次数内达到纳什均衡,并且与两个基准方案进行对比,证明了所提算法在降低系统总消耗方面的有效性。2.研究了部分任务卸载模型下支持缓存的云辅助MEC任务卸载优化问题,针对卸载任务重复请求问题,在提出的系统中引入内容缓存,提出了一种有效的缓存云联合计算优化算法(Optimal Caching Cloud and Joint Computing,OCCJ)来解决上述问题。首先,建立了云-MEC-设备三层系统模型,提出基于流行度的缓存模型,并列出了三种任务执行模式。然后将问题建模为最小化设备能耗的优化问题,共同优化了执行模式选择、卸载率、发射功率和计算频率,同时保证多个系统约束。设计了OCCJ算法将问题分解为三个子问题并对其进行求解。最后,仿真实验分析了在多种变量下任务卸载率的变化,同时实验结果表明提出的方案在降低设备能耗的方面优于其他三种基准对比方案。