物联网和移动互联网的快速发展使移动通信网络面临着超高连接密度、超低时延和更高用户体验速率的挑战,拥有低时延和网络上下文感知等特点的移动边缘计算(Mobile Edge Computing,MEC)成为了5G网络应对这些挑战的核心技术之一。MEC通过将云计算服务下沉至移动接入网络侧,使传统的移动网络除了具备通信能力外,还具有计算和存储等IT服务能力。在MEC环境下,用户设备(User Equipment,UE)可以将计算密集或者时延敏感的任务以超低的传输时延迁移到MEC服务器,由MEC服务器为其分配计算资源并辅助执行任务计算,从而达到加速UE任务处理和节约能耗的目的,因此,MEC任务迁移策略成为决定MEC系统效率的关键因素之一。本文通过调研MEC任务迁移策略的研究现状和特点,结合近年来深度强化学习(Deep Reinforcement Learning,DRL)成功解决人工智能领域决策问题的经验,深入探索了如何运用DRL方法来实现单用户和多用户场景下任务的最优迁移策略,主要工作如下:(1)提出了面向单用户场景的任务迁移策略。在运行多个独立任务的单用户MEC环境中,同时考虑任务的调度顺序和迁移决策,构建了系统、任务和时延能耗模型,进一步设计了基于策略梯度强化学习的任务迁移策略,实现了任务处理时延和UE能耗联合最小化的目标。(2)提出了面向多用户场景的任务迁移策略。在低计算能力UE密集的MEC环境中,考虑MEC服务器计算资源的分配,构建马尔可夫决策过程,并设计了基于DRL的任务迁移策略,保证了时延敏感任务对MEC系统的性能需求。(3)为了验证本研究的性能效果,在Python环境下,搭建了单用户与多用户任务迁移策略的仿真实验环境,并分别进行了仿真实验。实验结果显示,相比传统方法,在单用户场景中,该策略能明显降低任务的处理时延和UE的能耗,在多用户场景下,该策略能有效降低时延敏感任务的处理时延和超时时长。通过运用DRL方法设计单用户与多用户MEC场景下的任务迁移策略,使得策略对负载动态变化有很强的适应性,能有效优化任务迁移过程中的能耗和时延,可以为未来5G网络重点部署的车联网、物联网等应用场景提供高效的计算迁移服务。