随着无线通信技术的飞速发展,无线设备面临着比以往更复杂、更多变的场景,传统的网络架构已经无法满足时延敏感的应用程序的需求。移动边缘计算（Mobile Edge Computing,MEC）技术将计算和存储能力转移到网络边缘,解决了传统网络架构的时延问题。同时,无线设备由于受自身电池容量的限制,从而无法满足密集计算任务的时延要求,而能量采集（Energy Harvesting,EH）技术可以使无线设备的电池实现无线充电,增强了无线设备的运行能力。基于MEC技术的思想,学术界提出了带有EH装置的无线设备辅助执行任务计算,通过将无线设备的计算任务卸载到MEC服务器进行计算,用户可以体验到低延迟的服务。此外,由于无线设备可以由EH技术提供免费的太阳能或者风能作为动力,因此能源消耗并不是一个紧迫的问题。目前,相关研究工作大多集中于MEC技术卸载过程中的卸载策略和资源分配,而对带有EH设备的MEC系统的研究较为少见。本文主要围绕无线设备的时延敏感和计算效率问题,对带有EH设备的MEC系统和多个MEC服务器的卸载匹配策略做了细致的研究,主要贡献有:（1）针对带有EH设备的MEC应用场景,分别介绍了场景中的EH技术和MEC技术,并结合两种技术的特点,分析了带有EH设备的MEC系统架构。然后,对求解系统目标问题的优化算法做了详细介绍与复杂度分析。（2）针对网络中的计算资源管理问题,构建了基于EH的二进制卸载MEC系统模型。该模型采用二进制卸载策略,考虑了无线设备电池过度充放电带来的损耗,以及无线设备的能量约束和无线信道的时变性,以最大化无线设备的数据计算速率和计算任务被成功执行占总任务数比例为目标问题。为了求解目标问题,提出了一种二进制卸载策略下联合优化任务卸载决策和无线资源分配的方案。仿真结果表明,所提策略适用于时变的信道条件,在保证电池寿命的基础上实现了无线设备的数据计算速率最大化和计算任务被成功执行占总任务数比例的最大化。（3）针对无线设备的时延以及设备移动性的问题,构建了一种基于EH的多用户多服务器MEC系统模型。针对多MEC服务器多用户的特点,考虑MEC服务器和用户之间的卸载匹配问题以及无线设备的移动性问题。为了求解该模型,提出了基于预测设备轨迹的李雅普诺夫优化资源分配算法,该算法无需量化系统状态和可行动作集,每个时隙内的算法决策复杂度较低,考虑到无线设备的移动性,通过基于隐马尔可夫（Hidden Markov Model,HMM）模型的维特比优化算法,求解出在无线设备实时移动下的最佳卸载MEC服务器,减少了MEC服务器卸载的切换次数,进一步降低了无线设备的时延。