随着海洋活动的迅速发展,各种计算密集型应用呈现蓬勃增长的态势,这对于海上通信网络的要求不断提高。目前的海上通信网络无法满足大数据、高速、低成本的无线通信需求,对传统海上通信网络进行智能化融合是海上网络建设的必然选择。以此为初衷,本文开展了对海上通信网络的研究。本文引入移动边缘计算（Mobile edge computing,简称MEC）技术对现有海上通信架构进行拓展,为资源稀缺或延时敏感的海上终端提供实时高效的计算服务。由于海洋环境独特的地理因素、气候条件和用户分布,部署移动边缘计算架构十分困难和昂贵。无人机（Unmanned aerial vehicles,简称UAV）具有灵活性、移动性、低成本和易部署性的优势。因此,采用无人机辅助移动边缘计算架构为海上终端提供强大的计算能力是解决此问题的有效方案。考虑单无人机计算资源和电池容量有限,独立完成计算服务存在风险,研究多无人机辅助移动边缘计算系统中无人机之间的协同卸载和资源共享有着重要的意义。本文的主要工作如下:在海上多无人机辅助移动边缘计算场景下,建立了一个双层无人机辅助MEC架构。该系统由一个集中式顶部无人机（Top-UAV,简称T-UAV）和一组分布式底部无人机（Bottom-UAV,简称B-UAV）组成。将这种多无人机协同支持的MEC网络架构作为中心云的补充,不仅提供了高效的计算能力减少了任务完成时间,而且避免了海上终端向中心云远距离传输所花费的时延与能耗,同时可以减少网络拥塞。实现MEC的一个基本技术是虚拟机（Virtual machine,简称VM）多路复用技术,它将多个虚拟机分配到同一个物理机上实现多任务并行计算。与现有文献相比,本文考虑了更实际的移动边缘计算场景中并行计算问题。解决了往往忽视的虚拟机之间的I/O干扰问题和相同数据量任务的并行计算问题,在有I/O干扰的MEC系统中,根据每个计算任务的数据量来优化虚拟机的数量,最大限度地减少并行计算的延迟。本文分别研究了时分多址（Time division multiple access,简称TDMA）和频分多址（Frequency division multiple access,简称FDMA）方式下的T-UAV轨迹优化和虚拟机资源配置的联合优化问题,B-UAV机群与T-UAV无线传输的接入方式不同,对应建立不同的数学模型和奖励函数,会产生不同的训练效果。考虑到该优化问题具有多个实际约束条件和非凸特性,难以用传统方法求解。将其建模成马尔可夫决策过程（Markov decision process,简称MDP）,采用深度Q网络（Deep Q-network,简称DQN）算法和深度确定性策略梯度（Deep deterministic policy gradient,简称DDPG）算法来求解该优化问题最优策略,实现系统平均时延最小化的目的。仿真结果表明与其它基本算法相比,无论哪种接入方式,本文所提出的DQN算法和DDPG算法都可以显著降低系统平均时延,但DDPG算法在提高系统时延性能方面更有效。具体来说,FDMA方式下两种算法的时延性能比TDMA方式要略好,但是所花费的传输能耗要比TDMA方式高很多。