近年来,随着新型应用的快速发展,数据密集型、计算密集型与时延敏感型等多元化移动业务对网络传输容量和数据分发处理能力等提出了越来越高的要求。移动边缘网络将计算和存储能力下沉到距离用户更近的位置,使边缘网络具备低时延、大带宽和高可靠的计算能力,从而能满足不断涌现的业务的差异化计算需求,为移动用户提供更高质量服务。然而现有移动边缘网络计算技术的研究面临以下挑战:（1）移动边缘网络环境高度动态变化导致系统状态难以精确感知获取;（2）移动边缘网络僵化的资源管理和较差的可扩展性导致计算处理效率和资源利用率较低;（3）边缘人工智能大规模重复训练以及数据样本不足且单一导致训练效率和服务质量低下。与此同时,单个边缘计算节点的规模和资源量相对受限,随着移动边缘网络的发展及大规模的部署,如何协同调度云、边、端多层次泛在计算资源突破单节点规模与资源瓶颈以进一步提升计算性能,也是需要解决的关键挑战。因此,针对上述挑战,本论文分别从面向部分可观测的端-边协同计算卸载、面向无服务器计算的云-边-端协同任务调度以及智联网赋能的边-边协同智能共享三个方面对移动边缘网络中的协同计算优化技术相关问题进行了深入研究,提出了相应的创新性解决方案,并通过理论分析和仿真实验证明了所提出的方案对系统性能的提升。本论文的主要贡献包括三个方面,总结如下:1.设计了面向部分可观测的移动边缘网络端-边协同计算卸载机制。针对分布式终端用户计算卸载决策时难以获得准确且完备的系统状态信息的情况,本论文设计了面向部分可观测的分布式端-边协同计算卸载机制,分别基于分布式部分可观测马尔科夫决策过程理论和部分可观测随机博弈理论,从终端用户合作和终端用户非合作的角度对部分可观测场景下的动态计算卸载问题展开研究,使终端用户可以仅根据其本地的状态信息,以分布式的方式制定最优的计算卸载策略,而无需知道其他终端用户的状态及决策信息,从而在满足用户体验质量需求的同时最大化任务处理的性能。2.设计了面向无服务器计算的移动边缘网络云-边-端协同任务调度机制。针对传统移动边缘网络存在的管理僵化、可扩展性差以及资源配置不灵活的情况,本论文创新性地提出了一种无服务器边缘计算框架,利用无服务器计算技术促使移动边缘网络实现高效率、低成本、分布式弹性与扩展。在此架构下,基于部分可观测随机博弈理论和深度强化学习算法,研究分布式的云-边-端一体化协同任务调度机制,在考虑到无服务器边缘计算节点的异构特性、无服务器计算服务的容器化调用以及无服务器边缘网络的有限服务部署的情况下,使无服务器边缘计算节点能够高效地对函数粒度无服务器计算任务进行动态调度和资源分配,以有效提升任务调度的灵活性和优化边缘资源的利用效率。3.设计了智联网赋能的移动边缘网络边-边协同智能共享机制。针对边缘智能中由于大规模的重复性模型训练及有限数据样本导致的训练效率和服务质量低下问题,本论文在移动边缘网络中引入智联网创新理念,设计了分布式边-边协同智能共享方案,允许分布式边缘计算节点通过共享学习到的智能从而快速且经济地提高学习性能。声誉被引入作为一种公平度量,用于选择可靠的边缘计算节点进行智能共享,以抵制边缘网络中不可靠的共享操作。考虑到时变的移动边缘网络状态,基于深度强化学习理论和“集体学习”思想设计了一种新型的集体深度强化学习算法,使每个边缘计算节点基于软行为者-评论者算法在本地进行分布式的智能共享决策学习,并通过不同边缘计算节点之间的集体学习,实现对训练效率的优化。