近年来,随着网络与信息技术的快速演进,推动了工业互联网产业的高速发展,使其成为当前学术界和工业界的研究热点。在工业互联网系统中,由传感器、通信节点、控制器等智能设备组成的通信网络体系,可实现人机间、机器间高效便捷的数据交互,为工业大数据分析、智能化生产提供了重要的底层架构和技术支撑。然而,在当前的工业互联网系统中,工业设备用户普遍存在计算能效性较低问题,且收集的工业数据在传输、处理等流程中存在较高的安全风险。同时,工业互联网设备群的体量和规模庞大,欠缺合理性的资源配置导致系统中过度的计算资源浪费,也是当前工业互联网系统的突出问题。针对上述问题,本文首先研究剖析工业互联网架构特点,结合云计算和移动边缘计算（mobile edge computing,MEC）混合计算模型理论,提出一种面向工业互联网的数据计算任务卸载系统架构,基于强化学习求解最优卸载策略。进一步地,结合区块链技术原理特征,提出一种融合移动边缘计算和区块链的工业互联网系统架构,并基于深度强化学习（deep reinforcement learning,DRL）迭代求解最优计算资源配置策略。最后,基于所提的工业互联网系统架构和资源调度优化方法,设计搭建面向工业智慧园区的计算资源智能动态调度平台,初步实现和验证了针对模拟园区场景的DRL模型训练、实际园区环境的DRL模型执行以及计算资源分配动作、周期性优化效果以及优化总结界面展示等功能。具体工作如下:（1）基于强化学习的工业互联网计算卸载策略研究针对工业互联网系统内设备的数据计算任务卸载策略问题,结合MEC和云计算的技术特征和工业互联网架构特点,提出一种面向工业互联网的数据计算任务卸载系统架构,并基于强化学习求解最优的计算卸载策略,有效减少系统中计算卸载产生的整体损耗。（2）融合移动边缘计算和区块链的工业互联网计算资源智能调度策略设计在面向工业互联网的数据计算任务卸载系统架构基础之上,进一步针对系统中设备的计算能效性、数据安全性问题,结合MEC和区块链的技术优势,提出一种融合移动边缘计算和区块链的工业互联网系统架构。在该架构下,基于深度强化学习迭代求解系统内计算资源调度的最佳策略,实现有效降低设备能耗和系统计算开销。（3）面向工业智慧园区的计算资源智能动态调度平台设计与验证基于所提的工业互联网系统架构和资源调度优化方法,设计搭建面向工业智慧园区的计算资源智能动态调度平台,包含训练模块和执行模块。训练模块通过模拟园区控制器系统场景,针对性地训练可进行计算资源智能调度的DRL模型,有效节省了模型训练时间;执行模块将已训练完成的DRL模型实际应用于园区控制器系统,基于DRL模型智能优化的计算资源调度策略将有效降低系统运行产生的设备能耗和计算开销,并实时将计算资源调度动作、周期性优化效果和优化总结输出至界面展示。通过该平台,验证了所提架构和优化算法的有效性与可行性。