边缘计算在靠近用户的一侧提供计算资源,避免了用户到数据中心的数据传输,可以有效减轻数据中心功耗和网络传输带宽的压力,提高服务的响应速度。随着5G和物联网技术的发展,很多延迟敏感性较高的应用,如自动驾驶和无人驾驶车辆等被部署到边缘网络。然而,单一的边缘服务器覆盖范围有限,且用户具有移动性,例如当用户从某个服务器的覆盖范围移动到另一个服务器的覆盖范围时,可能导致服务质量下降甚至服务中断。为了保证服务的连续性和响应速度,需要将用户的服务实例迁移到新的服务器上运行,即服务迁移。由于网络的异构性和复杂性,不同的迁移路径会产生不同的时延。因此,对服务迁移路径的研究是很有必要的。此外,在进行服务迁移时,不同的迁移方法产生的迁移时延也有所差异。所以,对服务迁移方法的研究也是重要的。本文从路径选择和迁移方法两个方面做了以下工作。（1）针对服务迁移的路径选择问题,提出了一种基于网格的启发式路径选择算法。该算法采用网格划分来过滤不参与该轮服务的服务器,可以提高路径选择算法的效率,适用于大规模的边缘计算网络。本工作分析了影响服务迁移时间的因素并设计了启发函数,根据启发函数规划出一条最优路径。基于公开数据集进行了对比实验,结果表明所提出的方法在运行时间、传输时间方面都有更好表现。（2）针对服务迁移的时间效率问题,提出了一种基于环境感知和动态压缩的边缘计算服务迁移方法。该方法基于容器进行服务迁移,根据可用计算资源和带宽资源对迁移数据进行动态压缩,可以有效减少传输的数据量,提高迁移的时间效率。实验结果表明,相比于其他的服务迁移方法,所提出的迁移方法在迁移数据量、服务宕机时间和服务迁移总时间三个方面的性能都有所提高。