在野外及恶劣环境的移动边缘计算应用场景（电网巡检、森林防火和污染监测）中,智能用户设备产生的计算密集型任务难以通过预先建立的骨干网络卸载到具有强大性能的边缘服务器。无人机（Unmanned Aerial Vehicle,UAV）具有灵活性和便捷性可以通过无线数据传输辅助携带用户任务到边缘服务器。为了提高效率,UAV巡航时会保持较高高度,而进行数据传输时需要下降高度以保证数据传输率和可靠性。每次上升和下降过程会造成任务处理时延和UAV能耗的增加,因此,为提高UAV任务卸载效率,有两个挑战性问题需要解决。一:UAV卸载决策,即在哪个边缘服务器卸载多少任务;二:UAV充电决策,即UAV充电序列的规划。针对以上两个挑战,本文基于固定巡回路径的UAV应用场景展开研究。首先,本文研究了时延敏感的任务卸载收益最大化问题,提出了一套基于强化学习算法的解决方案。其次,本文在时延敏感的任务卸载模型基础上加入了无线充电节点,研究了能量约束下的UAV充电调度和任务卸载调度的协同优化问题。本文的主要贡献如下:（1）本文研究了时延敏感等约束条件下UAV辅助用户设备进行任务卸载的收益最大化问题,针对应用模型创新地提出了一种基于强化学习的任务卸载决策算法,该算法对经典的Q-Learning算法进行了改进使得其性能达到了近似最优解。本文在不同环境参数的仿真实验下测试了算法性能,结果表明,本文提出的算法与基准算法相比具有更好的性能。（2）为了解决UAV可持续工作问题,本文在（1）中的应用模型基础上加入了能量约束条件,整合了UAV中的任务卸载模型和充电调度模型,创新地提出了UAV任务卸载调度与自身充电调度相协同的新应用模型。本文针对该模型更大的状态动作搜索空间,提出了基于深度强化学习（Deep Q Network,DQN）算法的解决方案。最终,通过实验仿真表明了算法的可行性。