随着移动互联网与物联网的深度融合,车联网、无人机网等新型控制类应用场景快速涌现。在此类场景中,设备将采集的数据上传至计算中心,经过处理与分析后,生成的结果将被返还至设备端以指导其行为。随着数据爆炸式的增长,仅靠通信能力的增强难以满足控制类应用场景中对数据处理的实时性要求。在此情况下,国内外研究机构提出以边缘计算为核心的智能边缘网络架构。通过借助网络边缘及设备端的通信及计算能力,实现在靠近设备端的一侧完成数据收集、处理、分析及决策的全过程,避免了核心网络拥塞产生的时延弊端,从而可以大幅度降低数据处理的时延。然而,传统通信网络主要关注的是通信的能力,其核心功能是信息的传输,缺乏对如何高效利用泛在的计算能力进行信息处理的考虑。因此,如何充分发挥通信与计算的协同作用,将设备对局部物理世界的感知数据进行高效的处理,仍是值得研究的问题。本文针对移动边缘计算系统中的计算卸载策略展开了研究。其中,计算卸载包含任务卸载和资源分配两个步骤。首先,针对车联网中网络拓扑高速变化问题,考虑到车车和车路之间通信制式和计算成本的差异性,研究了移动性感知的多车协同计算卸载策略。然后,针对无人机辅助实时监控类应用中多任务流的异步到达问题,考虑到系统对于信息时效性的需求,本文以信息年龄作为衡量信息时效性的指标,研究了基于深度强化学习的异步计算卸载策略。本文的主要贡献如下:（1）在面向车联网应用的边缘计算系统中,针对车辆移动性导致的通信链路不稳定和计算结果返还不可靠问题,考虑到车车与车路之间通信制式和计算成本的差异性,本文以优化多车任务处理时延和通信计算花销为目标,对任务卸载、任务处理和结果返还过程进行建模,形成了系统效用最优化问题。由于该问题是一个混合整数非线性规划问题,具有NP-hard特性,本文设计了基于匹配算法的高效计算卸载策略,并通过仿真验证了该策略在提升系统效用方面具有很强的竞争力。（2）在面向无人机实时监控应用的边缘计算系统中,针对多无人机之间任务流异步到达的问题,考虑到系统对于信息时效性的需求,本文用信息年龄这一指标衡量系统中的信息时效性,并以优化系统中多无人机平均信息年龄为目标,对任务的流式生成、异步卸载和动态处理过程进行建模,形成了信息时效性最优化问题。由于任务生成、计算和卸载过程的动态随机性,该问题是一个长期随机优化问题,本文设计了基于深度强化学习的计算卸载策略,并通过仿真验证了该策略在提升系统的信息时效性方面具有很强的竞争力。