物联网的蓬勃发展,设备和新兴应用不断攀升,网络流量和计算需求爆发式增长,给云中心带来巨大负载。通过将通信、计算和存储资源部署到离用户更近的边缘侧,可以降低骨干网流量,减少云中心负载,从而为用户请求提供快速响应。相比于云中心,边缘计算服务器的通信、计算和存储资源受限,无法满足所有的用户需求。为充分利用网络资源,通过D2D（Device-to-Device）链路将用户任务卸载到计算资源充裕的邻近终端可以减少边缘服务器的负载,降低通信开销。当计算任务较大时,可以将其拆分多个子任务,分别对子任务进行卸载。然而,现有大部分针对子任务卸载的计算卸载方法没有考虑子任务之间的依赖关系,为此本文提出一种子任务混合卸载机制,以降低整体任务完成时延。通过缓存通用计算数据,在卸载过程中可以减少任务数据传输时延,从而缓解无线链路压力,降低任务完成时延。为此,在子任务混合计算卸载基础上,本文提出一种子任务计算缓存策略,为子任务进行缓存决策,以降低网络的总时延。本文主要内容如下:1)针对大多数子任务计算卸载策略鲜少有考虑子任务依赖关系,从而影响整体任务完成时延。本文提出一种基于深度强化学习的子任务计算卸载策略（Deep Reinforcement Learning-based Sub-Task Computing Offloading strategy,SCOS）,将子任务依赖关系对任务完成时延的影响考虑在内,以降低整体任务完成时延。在用户任务被拆分成子任务后,将子任务的依赖关系建模成有向无环图。深度强化学习的智能体根据子任务信息、子任务间依赖关系和网络资源为子任务选择最佳处理节点,以降低整体任务完成时延。任务处理节点包括本地、邻居空闲终端和边缘服务器。实验结果表明,与其他卸载策略相比,本文提出的子任务计算卸载策略不仅可以降低任务完成时延,还可以降低终端能耗。2)为充分利用网络资源,降低网络总体时延,本文在子任务计算卸载基础上,提出一种基于深度强化学习的子任务计算缓存策略（Deep Reinforcement Learning-based Sub-Task Computing Caching strategy,SCCS）,以降低网络的总时延。智能体根据任务信息、网络资源、数据缓存状态和任务的流行度为子任务进行卸载和缓存决策,以实现缓存和计算资源的联合优化。缓存的通用数据可以为其他用户任务提供服务,减少任务传输时延,进而可以降低任务对计算资源的需求。实验结果表明,与其他计算缓存策略相比,本文提出的计算缓存策略可以提升缓存命中率,降低网络时延。