移动通信技术的演进促进了移动应用和多媒体业务的快速发展,并在网络边缘处产生了海量的数据,为无线通信网络带来了前所未有的流量负载。为此,迫切需要将人工智能（ArtificialIntelligence,AI）这一尖端技术推向网络边缘,充分释放边缘大数据的潜力。此外,超低传输时延、超高数据速率等越来越严苛的用户需求也给通信系统带来了巨大的挑战。为了应对上述需求与挑战,移动边缘计算（Mobile Edge Computing,MEC）架构通过将存储和计算资源卸载至网络边缘,成功降低了传输时延与带宽损耗。AI与MEC的融合诞生出了新的交叉学科——边缘智能（Edge Intelligence,EI）。然而,目前EI的相关研究还处于起步阶段,在AI模块的边缘部署、智能化MEC等方面的研究还存在着不足。有鉴于此,本文主要研究了如何采用AI技术来解决多节点协作服务架构下的边缘缓存与资源调度问题。具体地,本文研究工作的主要贡献和创新点可以分为以下三个部分:第一,本文研究了 MEC系统中多媒体多业务服务质量（Quality of Service）优化问题。在该场景中,MEC服务器可以同时向边缘用户提供实时流媒体、缓冲流媒体、低时延增强移动带宽等多媒体业务。为了满足不同多媒体业务的不同QoS需求,本文应用了 5G QoS模型以实现基站处理资源的灵活调用。随后,本文构造了一个长期累积平均QoS最大化问题,并采用了一种深度强化学习算法来决定无线资源的动态分配。最后,本文将所提出的基于深度强化学习的资源分配算法与轮询分配和基于优先级的调度算法进行了比较。仿真结果证明,所提算法在MEC系统的多媒体多业务场景中的性能明显优于其它两种算法。第二,本文研究了雾无线接入网络中多个雾接入点（fog-computing-based access points,F-APs）协作 下的内 容缓存与下发 问题。考虑到多样化的用户偏好、不可预知的用户移动性、相邻F-APs之间的协作以及时变的信道状态,本文构造了一个长期累积多用户平均传输延迟最小化问题,并提出了一种基于深度强化学习的时延感知缓存更新策略。该策略用于决策每个调度时隙内应该如何对每个F-APs中缓存的文件进行动态更新。相较于先入先出、最近最少使用、最少次数使用三种缓存更新策略,本文所提出的缓存策略具有更好的平均命中率和更低的平均传输延迟。第三,本文研究了边缘智能系统中多节点协作缓存与多业务内容交付问题。为了增强边缘缓存容量,本文提出了一个多节点协作服务架构。在该架构中,除了固定的边缘服务节点外,具有存储和通信能力的移动边缘服务节点也可以被用于文件缓存和数据传输。本文针对移动边缘服务节点和用户的移动特性、时变的信道增益和干扰、随机的文件请求,提出了一个长期累积平均QoS最大化问题。值得注意的是,本文提出了一个多边缘服务节点混合缓存策略用于提高缓存命中率,包括集中式的缓存策略和分布式的缓存策略。然后,本文还提出了一种边缘服务节点选择策略来为边缘用户提供充足的服务时间,从而避免由于网络拓扑关系变化而导致服务中断。最后,本文设计了一种基于深度强化学习的频谱资源分配算法对下行频谱资源进行灵活调度。仿真结果表明,本文所提出的算法相较于其他的基准算法在优化性能与时间复杂度之间取得了平衡。