移动边缘计算（Mobile Edge Computing,MEC）通过分布式部署并将数据计算中心下沉到用户边缘侧,与云计算相比大大降低了通信传输延迟和能耗。无人机（Unmanned Aerial Vehicle,UAV）作为一种部署方便、成本低廉的飞行器,可以作为移动通信平台,为边远地区提供有效的通信覆盖。将移动边缘计算与无人机相结合,可以为MEC服务器提供灵活的位置选择,进一步提高网络的覆盖率,提升服务质量。无人机辅助的MEC系统虽然为用户提供了进一步的计算资源下沉,但往往受到有限的通信、计算和能量资源的限制。通过合理地制定用户计算卸载与资源分配策略,可以延长无人机的服务时间,降低系统延迟和能耗。基于此,本文分别针对无人机辅助MEC系统中的计算卸载和资源分配两种典型问题进行了研究。具体的研究内容和贡献概括如下:（1）研究了无人机辅助MEC系统中多用户计算卸载问题。首先构建无人机作为空中固定基站为用户提供计算卸载的系统模型。在该系统模型的基础之上,考虑用户卸载变量的二元性和上行带宽约束,提出了系统能耗与任务延迟加权和最小化问题。针对该优化问题,提出一种基于Actor-Critic的深度强化学习算法。该算法采用多个深度神经网络共同生成用户计算卸载决策,并使用噪声顺序量化方法对用户松弛卸载决策进行量化处理。仿真结果表明,本文提出的算法可以快速收敛,与其它基准算法相比,有效降低了系统能耗及延迟。（2）研究了无人机辅助MEC系统中轨迹设计和资源分配问题。首先构建无人机作为移动基站为地面物联网设备提供数据采集和能量传输的系统模型。在该系统模型的基础之上,建立了任务期间关于系统吞吐量、总收获能量和无人机能耗三个目标的联合优化问题。针对MEC网络的不确定性和动态性,提出一种基于循环确定性策略梯度的深度强化学习算法,该算法通过合理规划无人机的飞行轨迹并对计算资源合理分配,实现了多个目标的联合优化。仿真结果证明了该算法的收敛性和有效性,能显著提升系统收益,并且可以通过设置权重参数实现多个优化目标之间的权衡。（3）利用基于Air Sim的无人机仿真平台对所提出算法进行验证。考虑到在现实世界中开发和测试移动边缘计算算法是一个昂贵且耗时的过程,而Air Sim作为一种基于虚幻引擎的无人机仿真平台,为移动边缘计算算法的测试提供了物理和视觉逼真的模拟。因此,本文基于Air Sim搭建了无人机辅助的移动边缘计算仿真环境,验证了所提出的计算卸载和资源分配算法的有效性。