物联网技术和无线通信技术的快速迭代更新,使得移动终端设备和数据流量迅猛增长,并且催生了一系列诸如虚拟现实、超高清视频、和智能驾驶等具有计算密集、延迟敏感特征的应用。然而,传统的集中式云计算网络架构因受限于过重的回程链路负载和过长的服务响应时延,无法满足海量移动终端及其新兴应用所需的低时延、高带宽、本地化处理等需求。移动边缘计算(Mobile Edge Computing,MEC)作为一种新的应用范式,提出将计算、存储、处理等功能从云服务器下沉到无线网络边缘,为移动用户提供邻近的实时计算和本地化处理能力,以减少网络延迟、提升用户体验。在移动边缘计算中,用户可将计算密集和延迟敏感型应用从本地迁移到边缘服务器,以解决自身计算资源和电池容量受限等问题。同时边缘服务器可预先缓存一部分用户所需的内容,以降低内容访问时延,提升用户体验。然而,由于移动边缘计算将计算和存储等资源引入到无线网络边缘,原有的无线网络资源分配和部署方案因不涉及计算和存储资源而不再适用。为此,本论文致力于研究如何将移动边缘计算中的计算和存储资源与无线通信相融合,进一步以异构蜂窝网络和车载边缘网络为典型无线网络场景,分别针对计算迁移与用户关联、计算迁移与资源分配、计算迁移与负载均衡、边缘缓存等典型问题进行研究。本论文主要研究内容如下:(1)异构蜂窝网络下多任务的计算迁移和用户关联方案针对异构蜂窝网络中终端设备电池容量和计算资源受限、MEC服务器密集部署、多任务间依赖关系复杂等问题,研究了针对多任务的计算迁移和用户关联方案。首先,提出了基于异构蜂窝网络的两层计算迁移模型。其次,将基于多任务间依赖关系的计算迁移和用户关联问题建模为以最小化用户和MEC服务器能耗为目标的混合整数非线性规划问题。最后,利用子问题分解和半正定规划方法设计了一种高效可行的分布式计算迁移与用户关联优化方案,该方案同时优化用户关联决策、计算资源分配、功率分配和计算迁移决策。数值结果表明,本文提出的计算迁移和用户关联优化方案能有效降低系统能耗、提升系统性能。(2)异构蜂窝网络下基于深度强化学习的计算迁移方案针对大小蜂窝并存、终端设备和基站所配备的计算资源的差异性、及应用程序具有不同的服务质量需求等问题,研究了基于深度强化学习的云-边-端协同计算迁移方案。首先,提出了异构蜂窝网络下多用户云-边-端协同网络架构。在此架构下,终端设备和大小基站都配备有计算资源,可同时支持本地计算和计算迁移。其次,定义了以最小化系统能耗为目标的计算迁移和资源分配联合优化问题。最后,基于深度强化学习,设计了一种能感知系统状态的计算迁移和资源分配联合优化算法。仿真结果表明,与本地计算和全部迁移策略相比,所提算法能显著降低系统能耗。进一步实验结果表明,深度强化学习率、折扣因子和系统终端设备数量对所提算法的性能均有一定程度的影响。(3)车载边缘网络下计算迁移和负载均衡方案针对车载应用具有低时延的需求、车辆和路边单元计算资源受限的问题,研究了车载边缘计算网络中的计算迁移和负载均衡方案。首先,将基于IEEE 802.11p协议的车路通信时间与计算时间相结合,提出了计算任务处理时延模型。其次,定义了以最大化系统效用为目标的计算迁移和负载均衡联合优化问题。最后,基于计算任务的时延约束,设计了一种低复杂度的计算迁移和负载均衡联合优化算法。该算法可同时优化迁移决策、计算资源分配和负载均衡策略。实验结果表明,所提算法具有较快的收敛速度。与现有算法相比,所提算法具有较好的性能,能显著提升系统效用。(4)车载边缘网络下高效安全的边缘缓存方案针对车辆移动端所导致的动态网络拓扑、时变的无线信道状态,以及车间信任关系薄弱等现象,研究了车载边缘计算网络中高效安全的边缘缓存方案。首先,将深度强化学习和区块链集成到车载边缘计算网络中,提出了一种基于许可区块链的分布式内容缓存框架,以期实现高效安全的边缘缓存。其次,定义了以最大化系统效用为目标的车间边缘缓存优化问题,并设计了基于深度强化学习的边缘缓存算法。最后,提出了基于效用证明(Proof-of-Utility,PoU)的一致性区块校验机制。安全分析表明,基于区块链的边缘缓存方案可实现安全的车间边缘缓存。仿真结果表明,与贪婪和随机缓存方案对比,基于深度强化学习的边缘缓存方案能显著提升系统效用,且能保证更高的缓存成功率。