移动互联网和物联网的快速发展推动了未来网络的建设。面对未来网络的高可靠、低时延、大带宽、低功耗等诸多挑战,移动边缘计算(Mobile Edge Computing,MEC)这一新型网络架构将业务平台下放到网络边缘侧,通过无线接入网为终端设备提供近似本地化的服务,极大地减小了服务交付的时延。计算卸载技术是保证服务本地化的关键技术,其通过无线网络将计算密集型的任务卸载到MEC服务器完成计算,使得任务的计算不再受限于终端设备的计算能力和电池容量。在移动边缘计算的架构下,现有的计算卸载研究大多只考虑了移动终端应用内部的简单线性拓扑结构,很少考虑到内部模块的复杂拓扑结构,不能充分利用移动边缘计算高传输速率的优势。另外,由于MEC系统的资源有限,现有的计算卸载研究大多关注分布式的MEC服务器的负载均衡,对特定区域终端设备的计算卸载方案和具体资源分配方案研究较少。基于以上两点,本文分别研究了单用户终端和多用户终端场景下的移动边缘计算卸载方案。主要研究内容如下:(1)在单用户计算卸载的场景下,本文提出基于应用划分的计算卸载策略。移动边缘计算架构具有较高的传输速率,能够承受较为频繁的计算任务卸载,这时应用程序本身的拓扑结构和各模块之间的关系会很大程度上影响计算卸载的性能。因此,本文考虑了应用程序的内部结构,将计算密集型的应用划分为若干个相互依赖的组件。根据建立的应用程序划分模型,分别表示出应用程序执行的时延以及终端设备对应的能耗,并以延迟为约束条件,将终端设备产生的能耗作为优化目标。针对该优化模型设计了启发式的人工鱼群算法,通过算法求解得出次优解。仿真结果表明,本文所提出的单用户场景下的基于任务划分的计算卸载方案在满足计算时延要求的同时,能有效减少终端能耗。(2)在多用户计算卸载的场景下,本文提出了联合资源分配的计算卸载方案。由于MEC系统的计算能力和通信能力有限,存在多个终端设备互相竞争有限资源的情况,并不能同时满足过多终端的计算卸载要求。因此,本文建立了多用户场景下的数据通信模型、任务的本地和边缘计算模型,分别表示出各模型的时延和能耗。将计算卸载决策、基站通信资源分配、MEC计算资源分配作为待优化方案,以一定的权重同时优化所有终端设备的时延和能耗。针对该优化模型,本文设计了一种结合遗传算法和鲸鱼优化算法的启发式算法,通过该算法寻找一个次优解。仿真结果表明,本文所提出的多用户场景下的计算卸载算法在各种动态条件下,都能很大程度地降低任务计算卸载的成本。