随着移动流量的快速增长以及新型应用的不断涌现,网络与计算基础设施的边缘化是近年来网络与计算架构技术发展的趋势,多接入边缘计算（Multi-access Edge Computing,MEC）被认为是实现下一代互联网的关键技术。同时,随着人工智能（Artificial Intelligence,AI）技术正在加速渗透到人们的日常工作生活中,相较于终端设备计算性能差、资源受限与云端实时性低、带宽不足,边缘侧能够更好地结合边缘数据的计算本地性与智能算法的强计算能力,实现边缘智能（Edge Intelligence,EI）。因此,随着第五代移动通信技术（5th Generation Mobile Communication Technology,5G）时代的到来以及边缘侧数据的急剧增加,一方面,通过对边缘智能网络架构的调整升级以提升用户服务质量并降低运营商的运营成本是实现高性能边缘智能服务的关键点。另一方面,由于边缘服务器自身资源相对有限,对边缘侧计算、存储及通信资源进行合理分配以及充分利用也将是一个重要问题。本文针对上述两个问题,展开了如下研究:（1）提出一种边缘内生智能架构。首先,打破原有外挂式智能架构,在边缘网络的初始设计中即增加智能面,将智能算法模型训练过程全部下沉至网络边缘侧,从而提出了一个基于边缘内生智能的系统架构与实现方案。进一步的,将智能面微服务化,即将智能服务解耦为数据采集及预处理、模型训练、模型验证网络功能。然后,借鉴IT领域中模板与实例化的思想,根据常用智能服务类型预定义模板,并按照网络应用请求选择合适的模板进行实例化,从而可以提供定制化智能服务。最后,采用软硬件结合的方式搭建边缘内生智能实验平台,并通过实验验证了所述边缘内生智能架构、基于微服务的智能面设计及智能模板与实例化方案的可行性,同时证明了该系统架构能够有效降低智能服务计算时延。（2）在边缘内生智能架构基础上,针对边缘侧服务器资源有限与Kubernetes原始节点选择算法未考虑节点各资源消耗不均匀的问题,提出一种基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）的节点选择与多维资源分配联合优化算法。首先,节点选择模型将业务所需资源以及集群中各节点多维资源使用状态作为DDPG算法的状态集,节点选择方案作为动作集,将集群CPU利用率标准差与内存利用率标准差的加权和定义为算法的奖励函数;资源分配模型将业务类型及所选节点多维资源使用状态作为算法状态集,资源分配方案作为动作集,将系统增益和成本的加权和定义为算法奖励函数。然后,通过上述模型交替迭代直至二者奖励函数加权和趋于稳定,输出最优节点选择与资源分配策略。最后通过实验验证了所提算法的可行性,并且在满足负载均衡的前提下,相比于Kubernetes默认的节点选择算法与基于Q-learning的多维资源分配算法,本算法能够在消耗较少计算、存储与通信资源的同时有效提高下行传输速率。