移动通信技术的迅猛发展和移动智能设备的广泛普及,催生出了一些时延敏感且计算密集的新兴应用,如增强现实、人脸识别、互动游戏等。面对这些应用,计算能力和续航能力有限的移动设备难以为用户提供理想的服务质量。移动边缘计算(Mobile Edge Computing,MEC)的提出,为上述问题提供了一个切实可行的解决方案。MEC在网络边缘搭建云计算环境,利用系统中的无线和计算资源为用户提供近距离计算卸载服务。在MEC中,无线和计算资源对任务卸载的时延、能耗均具有重要影响,然而由于这两种资源相对稀缺,用户之间存在激烈的资源竞争。因此,需要制定合理的任务卸载策略和无线、计算资源分配策略,实现资源的高效利用。本文针对多用户MEC系统中单服务器和多服务器这两种不同场景下的无线与计算资源管理问题进行研究,具体工作如下:针对单服务器MEC系统,提出了一种基于效用的联合卸载决策与资源分配算法,为用户制定该场景下的任务卸载策略和功率、计算资源分配策略。首先将问题建模为资源约束下的系统效用最大化问题,该问题是一个混合整数非线性规划问题。然后固定卸载决策,分别使用二分法和KKT条件制定功率和计算资源分配策略。最后,在确定资源分配的基础上采用二进制粒子群算法制定卸载策略。仿真结果表明,与联合卸载决策与功率优化算法相比,所提算法的平均能耗降低7.66%。与单服务器MEC系统相比,多服务器MEC系统还需额外考虑多服务器间的联合卸载决策和信道分配问题。针对多服务器MEC系统,提出了一种基于改进差分进化的联合卸载决策与资源分配算法,为用户制定该场景下的任务卸载策略和信道、计算资源分配策略。将问题建模为资源和时延约束下的系统能耗最小化问题,该问题是一个混合整数非线性规划问题。为求解该优化问题,引入差分进化算法,并针对问题的混合整数特性对算法进行改进,从而制定卸载策略和信道、计算资源分配策略。仿真结果表明,与独立卸载决策的资源联合优化算法相比,在保证时延约束的前提下,所提算法的系统能耗降低了22.7%。