移动边缘计算（Mobile Edge Computing,MEC）是一种在网络边缘配置计算和存储资源的新兴计算范式,弥补云计算的不足,为攻克设备计算和存储资源受限无法满足新兴应用计算需求的难题提供新的解决方案,引起国内外相关业界的高度重视。设备通过计算卸载将计算密集型应用传输至边缘服务器执行,满足业务计算和低时延需求。然而,相比于云计算中的计算卸载,MEC的计算和存储资源有限。因此,在MEC的计算卸载中需要协调多用户之间的卸载,利用有限的MEC计算资源和基站（接入点）通信资源更多地满足用户的计算请求,提高计算服务质量,这为MEC中制定准确、有效的资源管理方案带来了新的问题和挑战,也为MEC计算卸载方案提出了更高的要求。此外,随着移动设备的爆发式增长,有限的MEC资源不能完全满足所有用户的计算卸载需求,特别是当计算任务数量不断增加,MEC的资源瓶颈将会日益突出。基于此,充分协调云计算和MEC之间的计算资源,设计高效的云和MEC协同计算卸载和资源分配方案,满足用户的服务质量需求也是一个亟待解决的重要问题。针对上述问题,本论文紧扣MEC中的计算卸载和资源分配问题展开研究。首先,从基于MEC的资源管理方案入手,揭示计算卸载决策和资源分配联合优化的重要性,设计面向多接入点多用户MEC系统的计算卸载和资源分配优化方案。其次,立足于计算任务可分解的角度,深入研究了两层异构网络频谱共享中的部分计算卸载问题。接着,探究MEC和云计算协同带来的性能增益,研究异构网络中的三层融合计算卸载和资源优化方案。最后,将移动网络场景中的计算卸载和资源分配问题研究进一步扩展至面向车联网的计算卸载和资源分配问题研究。论文取得的主要研究成果如下:1)多接入点多用户MEC系统的计算卸载和资源分配优化。多接入点多用户MEC系统中的计算卸载面临由负载失衡,以及有限计算和通信资源分配不合理而导致的低卸载效率和高成本问题。模拟无线接入点的选择作为卸载决策,基于计算卸载策略分析接入点的负载失衡问题。针对多用户之间对有限计算和通信资源的竞争问题,提出计算资源、传输功率和带宽限制下的资源合理分配。将多接入点多用户MEC系统的计算卸载问题建模为一个受约束的成本最小化问题,并提出由计算卸载博弈和资源分配共同组成的计算卸载和资源分配优化方案,以解决该混合整数非线性优化问题,获得最优卸载策略,实现计算资源、传输功率和带宽的合理分配。仿真结果揭示资源共享与计算卸载决策联合优化的重要性,并表明提出的方案能够有效解决多接入点的负载不均衡以及多用户间的资源竞争问题,较大程度地降低了系统成本。2)两层异构网络中频谱共享的部分计算卸载。从异构网络可提高数据传输速率,以及部分计算任务卸载可降低任务执行时间的角度,提出两层异构网络中频谱共享的部分计算卸载模型。基于提出的模型,首先分析部分卸载中,计算任务可卸载部分与任务完成时间的关系,获得最优卸载比例,进而提出一个速率优化问题。然后,针对优化问题中宏基站与微基站共享频谱带来的严格干扰约束,提出基于优先级的功率分配方案和基于迭代搜索的功率分配方案,实现最优的功率控制和干扰管理。仿真结果表明,提出的方案在满足宏基站干扰约束的前提下,能够有效地提高数据传输速率、降低任务完成时延。3)异构网络中三层融合的计算卸载和资源分配优化。在MEC为大量设备提供计算任务处理服务的场景中,计算资源受限和可扩展性差是需要解决的关键性问题。为此,基于异构网络设计一种联合考虑本地端、边缘端和云端计算资源的三层计算卸载框架,通过云计算和MEC的资源协同利用,为用户提供更全面的计算卸载服务。在此基础上,联合考虑异构网络中宏基站与微基站的协作,提出一个计算卸载优化问题,旨在实现系统成本的最小化。此外,为了解决该高耦合高复杂优化问题,设计一种成本有效的计算卸载和资源分配优化方案。提出的方案联合优化传输功率和计算资源分配,同时通过将原优化问题转化为二次约束二次规划问题,并结合半正定松弛和随机化获得卸载决策。仿真结果表明,提出的方案不仅可以更好地满足用户的计算需求,而且能够显著改善系统性能。4)车联网中云边协同的计算卸载和资源分配优化。车联网作为MEC的典型应用场景之一,部署MEC可以有效提升车辆的数据处理和存储能力,为车辆运行自动驾驶等低时延需求应用提供保障。基于该场景,研究车联网中云边（MEC）协同的计算卸载和资源分配问题。考虑到车载应用具有更加严格的延迟约束和车辆在卸载过程中的位置变化,设计可容忍延迟约束、计算资源成本和标准化因子共同组成的效用函数,以衡量不同计算卸载决定下车辆对于完成计算任务的满意度,并且提出一个系统效用最大化问题。为了解决该复杂优化问题,提出一种协作的计算卸载和资源分配优化方案,将计算卸载决策和计算资源分配同时优化,有效降低任务处理时延。仿真结果表明,提出的方案在提高系统效用和降低任务处理时延方面具有高效性,同时可以较好地满足车辆计算请求。