随着物联网应用的发展,移动终端用户数量与日俱增,为了分析和处理物联网大数据,移动边缘计算（MEC）提供了便捷高效的通信与计算平台。然而,面对海量用户设备的通信连接,分布式移动边缘计算系统中存在着算力不足、数据隐私安全保护问题。为了解决这些挑战,通过采用联邦学习技术辅助多用户协同计算。移动边缘计算与联邦学习的融合是当今通信领域中的一个研究热点。因此,本文基于联邦学习构建多用户协同的MEC系统,通过分析网络应用中数据异构性、设备异构性、网络异构性三个方面的影响,研究优化算法以提升应用系统的计算性能。第一,研究MEC网络同构终端中数据异构性问题。分析不同终端设备上数据的独立且不均匀分布对系统计算时间和性能的影响,采用联邦学习进行分布式协同计算,通过建模分析,结合幂律分布模型对设备数据资源管理,本文设计了基于动态样本的优化算法,设置数据阈值作为基线策略,将设备根据本地资源大小使用不同策略进行局部训练模型,降低并行运行的同构终端设备上不平衡数据带来的系统训练偏差,优化系统整体收敛速率和计算性能。第二,研究MEC网络异构终端中设备异构性问题。考虑不同终端设备上计算、存储和通信能力方面的异质性,分析异构终端在协同训练中出现的“掉队”现象,以及海量设备同时接入时的网络拥塞问题。针对分布式系统中的设备异构性,本文设计了异步通信联合优化算法,通过在中心服务器上设置调度和更新两个异步线程,异步并行调度终端设备执行局部训练模型,与传统的同步优化算法相比,本算法能够有效地降低异构终端的丢失率,在避免网络拥塞的条件下,提升系统容错机制功能,保证了系统的可扩展性、高效性和灵活性。第三,研究多用户协同MEC网络异构性问题。考虑多个终端用户分布在不同网络环境下,分析异构网络对系统性能的影响以及网络带宽的不确定性,通过建模分析系统迭代中终端设备的训练时间,通过对计算资源调度以最小化系统成本。本文设计了基于深度强化学习的联合优化算法策略,使系统能够自适应地智能训练模型,减小设备训练中不必要的等待空闲时间,保证了系统训练达到预期准确率,降低系统总时间成本,最大化系统资源的利用率,实现智能化管理系统计算资源,优化了多用户协同训练的移动边缘计算网络系统的服务质量。本文主要研究多用户协同的异构边缘网络计算,通过网络系统异构性解决了系统算力不足、数据隐私安全保护的问题,提升了资源使用效率和计算性能。