进入二十一世纪以来,移动通信技术飞速发展,各种计算密集型应用不断涌现,如AR/VR、视频流处理等,传统的云计算模式在处理此类应用时,造成了较大的时延和能量消耗。为了降低计算任务处理时延和能量消耗,业界提出了移动边缘计算（Mobile Edge Computing,MEC）来解决上述问题。MEC模式把CPU资源、磁盘资源和互联网资源等分配到处于互联网边缘的MEC服务器中,为移动终端提供服务。由于MEC服务器处在网络的边缘位置,离用户更近,能够有效地减少计算任务的传输距离,从而达到降低计算任务传输时延的目的。同时为CPU和内存容量较低的设备提供CPU算力等资源,进一步减少计算任务的计算时间和本地设备的能量消耗。所以,在MEC系统中,一个高效的任务卸载机制可以显著地降低任务计算时间和能耗,其中,一个高效的任务卸载算法是增强MEC系统性能的重要保障。本文重点研究了如何为MEC系统设计一个高效的计算卸载策略以提高MEC系统工作效率,并分别针对MEC中的不同场景设计了高性能的计算卸载策略。（1）基于DRL的计算任务卸载策略和资源分配策略针对多终端设备和单MEC服务器的场景,设计了一种基于部分可观测马尔可夫决策过程的计算卸载策略。在该场景中,每个终端设备作为一个智能体,独立地选择自身的任务卸载策略。其中,不但考虑了任务卸载比例对任务卸载模型性能的影响,还研究了终端设备之间的信息共享模型对计算卸载策略性能的影响。最后,将该问题建模为一个基于A2C的模型,设计了DRL算法——DAR-AC,通过仿真验证了DAR-AC的正确性与有效性。并且,与其他已经提出的卸载算法进行了对比,对比结果显示DAR-AC能够有效地降低移动设备计算任务的计算时间和能耗。除此之外,DAR-AC能够在环境发生改变的同时通过自由探索策略空间改进自身的性能。（2）基于随机博弈的计算任务卸载策略和资源分配策略针对多终端设备之间的资源竞争策略,设计了一个基于随机博弈的计算卸载模型,并综合研究了MEC系统中的资源分配策略对计算卸载策略性能的影响。最后,基于随机博弈中的多智能体强化学习方法,设计了SGAR算法解决这两个问题。通过编码仿真验证了SGAR的有效性,并将其性能表现与其他两种基准算法进行了对比。对比结果表明,相对于only-edge和only-local,SGAR的任务处理时延和能量消耗更低,并且能在有限步数内达到纳什均衡,提高了MEC系统整体的性能表现。