随着移动互联网的迅速发展,众多新型应用的计算密集型任务对移动终端的计算能力提出了越来越高的要求。移动边缘计算(Mobile Edge Computing,MEC)技术的出现可以有效解决新型应用的高性能需求和移动终端能力有限的矛盾,通过将移动终端复杂计算任务卸载至网络边缘侧的MEC服务器执行,显著提升用户服务质量。此外,考虑到未来5G时代的无线网络必然呈现密集部署的趋势,本文将移动边缘计算与超密集网络相结合,综合考虑任务需求特性及网络资源状态,制定出联合任务卸载和资源分配的最优计算策略,最大程度上减少用户的任务执行时间或者能耗。本文主要在密集网络场景下对任务卸载及资源分配展开研究,具体内容如下:针对超密集网络中的多用户多MEC服务器系统,定义计算时间为系统中用户执行任务所需时间的最大值,并综合考虑计算任务可以进行拆分的情况,建立任务计算时间最小化问题模型。为了解决该优化问题,将原始问题转化为卸载比例子问题和任务卸载决策子问题,提出并证明了最优卸载比例存在的条件,基于博弈论的思想将任务卸载决策子问题转化为非合作博弈,证明了该博弈存在纳什均衡。最后,提出了最小化计算时间的算法,从而确定系统中所有用户计算任务卸载的最优策略。仿真结果表明所提出的算法可以有效减少用户的任务计算时间。针对支持无人机(Unmanned Aerial Vehicle,UAV)通信的MEC网络,定义能耗为系统中所有UAV用户任务执行所需消耗的能量,并综合考虑任务卸载比例、传输速率等优化变量,建立了任务执行能耗最小化问题模型。为了解决该优化问题,将原问题转换为任务卸载比例子问题、传输功率子问题以及任务决策子问题,采用不同的方法解决子问题,通过迭代依次求解,从而得到以能耗最小化为目标的联合任务卸载和资源分配的最优策略。仿真结果显示,所提出的算法可以实现最小化UAV的能耗,提高系统资源利用率。在超密集的MEC网络中,提出了联合优化任务计算时间与能耗的任务卸载算法。将任务执行计算时间与用户能耗的加权和定义为系统开销,通过联合优化任务卸载比例和传输功率,建立任务卸载最小化系统开销问题模型。为了求解该优化问题,提出一种基于粒子群优化的最小化开销算法,得到每个用户的最优卸载策略。仿真结果显示,所提出的算法可以收敛到全局最优解,并且明显节省系统总开销。