随着现代科学技术与农业深度融合发展,我国的农业生产突飞猛进。越来越多的传感器设备运用到农业生产中,使我国的农场在规模化智慧化上有了很大提升,形成了智慧农场。物联网与农业生产的深度融合,将产生巨大的数据量,造成巨大的通信网络压力,按照原有的云端模式已经无法满足部分应用的时延需求。需要将边缘计算相关技术融入到智慧农场中,缓解智能应用对时间延迟的需求。在多用户和多边缘服务器场景下,终端设备产生的延迟敏感型任务需要时间延迟最小化,但会受多用户竞争和设备移动的影响。在这种情况下对于延迟敏感型任务来说,通过合理卸载策略来最小化时间延迟面临着巨大挑战。本文的主要工作如下:首先,对本文研究背景与意义进行了阐述,同时分析了国内外最新的研究现状,对本文涉及的相关概念进行概述。主要针对密集型蜂窝网络即多用户单服务器模型和多用户多服务器模型进行建模和研究。其次,针对多用户竞争的边缘计算架构进行研究,由于终端设备产生的任务具有时序上依赖关系特性,提出了一种基于博弈论的深度强化学习算法（Nash Deep QLearning,NDQL）算法,该算法综合考虑任务的特性,网络开销等,将终端产生的子任务集合按照一定的权重排序,然后各终端的任务序列,根据网络开销,按照博弈的思想进行任务卸载调度最后达到纳什平衡,实现总体延迟最小化,提高农业生产效率。然后,针对农业中远离基站场景,由于通信受限,影响农业生产的效率,对此提出一种基于无人机携带微型服务器为终端提供任务卸载服务模型,该模型充分考虑外在客观因素的影响,无人机采用移动和悬停切换模式提供服务,将非凸计算卸载问题描述为马尔可夫决策过程问题,提出了一种基于深度强化学习（Deep Deterministic Policy Gradient,DDPG）算法进行优化,达到以最小化延迟。最后,对全文进行总结分析,从不足中展望下一步研究方向。