通信技术与人工智能技术的不断演进丰富了人类的生活和生产方式,与此同时,海量时延敏感型业务的产生对边缘计算网络的优化带来了巨大的挑战,而利用终端的智能计算能力能够有效缓解边缘计算节点负载,优化网络服务质量。然而,由于资源的有限性、需求的差异性以及网络的瞬态性,如何在端边协同架构下充分利用其垂直协作关系,发挥边缘服务器以及终端设备各自的优势,合理地为用户分配网络资源和选择任务卸载方案,是提高服务时延保障可靠性的关键所在。基于此,本文分别针对不同场景的具体需求,从短期实时优化与长期统计优化两个角度出发,研究面向时延保障的端边协同策略。针对时延高度敏感且需要信息反馈的业务场景,本文提出一种面向实时服务质量保障的端边协同策略。具体地,以车联网为例,在车辆对基础设施和车辆对车辆通信链路复用的场景下,考虑两种链路业务类型的差异化服务质量需求,构建出面向车载视频业务的服务体验质量模型,并设计了一种基于近端策略优化的多智能体强化学习方法,实现了频谱资源共享、用户功率选择以及任务卸载决策的联合优化,为具有需求多样性和环境动态性的车联网提供了用户体验增强与高可靠时延保障的服务。针对网络实时状态无法获取的场景,考虑到任务到达的随机性及信道状态的时变性,网络难以提供确定性的时延保障。因此,本文从统计优化的角度出发,提出一种面向统计服务质量保障的端边协同策略。该策略利用随机网络演算理论分别对本地计算和边缘计算的时延违约概率进行了刻画,构建出面向用户时延保障公平性的优化模型,进一步基于交替迭代优化方法,实现了任务卸载和信道带宽的联合优化,提高了任务时延保障的可靠性。