随着物联网技术的发展和移动设备的普及,人们的生活水平得到了极大提高。伴随设备数量增多产生的海量移动数据,无线网络的承载能力和运营商的服务能力都面临严峻挑战。另外,一些新型应用场景对服务时延的要求更严苛,不仅需要时延绝对值更低,还需要控制时延抖动保障时延确定性。利用边缘网络资源就近为用户提供服务变得越来越重要,移动边缘计算（Mobile Edge Computing,MEC）应运而生。通过边缘网络节点的计算和存储能力,将部分计算和存储任务在边缘网络中处理,可以有效降低网络负载和任务响应时间。但是边缘网络的通信、存储等资源受限,因此,如何对缓存资源和传输资源进行调度,从而满足应用时延需求,是一项重要的任务。以此为动机,本文对确定性时延约束下的边缘缓存与传输机制展开研究。首先,针对单时隙严格时延约束的场景,考虑边缘网络中视频内容缓存与传输系统,结合视频的编码特性,考虑避免视频中断的视频帧播放严格时延约束,提出了视频内容的传输资源与缓存资源的两阶段调度策略。首先分析视频编码和失真特点,构建一个失真最优的缓存传输模型,基于传输过程和缓存过程时间尺度上的差异,将联合优化问题分解为子信道分配和缓存分配两个子问题。对于子信道分配问题,为了处理播放严格时延约束和视频帧间的依赖性引起的漂移失真,利用马尔科夫决策过程（Markov Decision Process,MDP）对该问题建模。考虑到视频帧特征分量和数据包传输状态分量演化速率的差异,基于视频帧特征分量将MDP的状态空间划分抽象为若干区域,设计一系列子MDP控制单视频帧传输过程,并将数据包级传输过程抽象为视频帧级传输过程。随后推导出子信道分配问题的最优性条件,基于约简状态贝尔曼方程,设计在线随机学习算法获得最优子信道分配策略。对于缓存分配问题,基于约束无梯度随机优化算法更新缓存策略,并建立了缓存策略变化与目标函数变化的联系,基于缓存更新算法步长条件利用历史信息,最后分析算法的收敛性及其条件。仿真结果表明,视频帧级的联合优化资源调度算法和已有算法相比能有效降低视频平均失真。接着,针对多时隙概率时延约束的场景,考虑异构网络中多用户请求服务系统,基于用户待服务请求队列,刻画具有时间相关性的概率时延约束,提出具有渐进最优性的缓存传输资源联合调度策略。首先构建一个平均时延最优的缓存传输模型,将联合优化问题分解为功率分配和缓存分配两个子问题。对于功率分配问题,基于用户间传输过程的独立性,将多用户联合功率控制问题转化为单用户功率控制问题。为了处理平均时延目标和概率时延约束同时存在的时隙间耦合,结合队列状态的正常返特性定义单用户的更新周期,提出更新周期抽样算法并证明其最优性。为保障概率时延约束,基于李雅普诺夫漂移提出更新周期的漂移惩罚算法并证明其渐进最优性。将更新周期上的策略选择问题描述为有限阶段的MDP问题,并基于阶段数为更新周期长度的特性将其转化为无限视野平均代价MDP问题,通过等价约简状态的贝尔曼方程得到最优功率控制策略。针对缓存分配问题,基于缓存收益的贪婪算法给出最优缓存控制策略,表明文件请求频率和缓存策略的关系。仿真结果表明,本算法相较于已有算法表现出更高的时延可靠性和更低的平均时延。最后,对全文的工作进行了总结,并就确定性时延约束下的边缘缓存与传输机制这一课题的未来研究方向提出了几点展望。