随着移动用户对高速率、全覆盖的无线通信服务的需求,无人机及其相关技术成为近年来一个活跃的研究领域。然而,对于某些延迟敏感的应用程序而言,传统的云计算模式难以满足这些应用的需求。为了解决上述问题,基于移动边缘计算（Mobile Edge Computing,MEC）的无人机成为一种新兴的模式,可以为移动用户提供快速、高效的通信及计算服务。然而,考虑到用户的移动性以及应用对计算服务质量的需求,多无人机如何协作服务用户进行通信和任务计算,对扩展无人机的应用场景具有重要意义。本文重点研究了多无人机分布式协作为用户提供通信及计算服务。论文的研究内容及创新点总结如下:1.针对城市中出现的基站覆盖空洞或局部流量过载的问题,提出了一种基于轨迹预测的无人机动态协同优化覆盖算法。首先,为了训练轨迹预测模型,多个携带MEC服务器的无人机在分布式联邦学习与区块链的架构下,去除中心聚合节点,采取改进的Raft算法,选举得到节点来完成参数聚合及模型更新任务。其次,基于模型预测信息,提出了一种改进的虚拟力向导部署算法,通过虚拟力来引导无人机进行动态部署以提高用户的接入率及通信质量。仿真结果表明,所提的训练架构能够加速模型的训练,部署算法在提升用户接入率的同时提升了用户的通信质量。2.为了减小任务计算的延迟,提高服务的可靠性,提出了一种基于多无人机的边缘协作计算方法。首先,该方法考虑了无人机上MEC的计算资源和用户信噪比约束,建立了多无人机协作计算成本（计算服务延迟和服务失败惩罚）最小化的优化问题,并将该问题分解为任务分配子问题和无人机选择子问题。其次,针对任务分配子问题,提出了一个基于二分搜索的任务划分算法,以确定各个任务在MEC服务器上的划分比例及计算资源调度策略。为了解决无人机的选择问题,提出了一种基于深度强化学习的协作计算算法,将该子问题被表征为一个马尔可夫决策过程（Markov Decision Process,MDP）,采用深度强化学习方法,确定计算任务卸载与计算结果交付策略。仿真结果表明,所提出的协作计算算法能有效降低服务延迟并保证用户的服务质量（Quality of Service,QoS）。