随着物联网的发展和各种智能应用的普及,越来越多的计算密集型和时延敏感型任务出现,边缘计算通过将资源部署在网络的边缘,具有高带宽、低延迟的特性,可以更好地满足此类任务的需求。然而,由于许多任务都与特定的服务相关联,考虑到边缘云的存储资源有限,需要设计合理且有效的服务缓存策略以最小化边缘计算的系统时延。此外,如何实现任务卸载与服务缓存的协同优化以利用有限的资源最大化用户的体验度,也是一个亟待解决的问题。为了应对以上挑战,针对边缘计算中的服务缓存与任务卸载问题,开展了以下研究。首先,研究了可再生能源供应下的边缘服务缓存策略。为了降低边缘缓存的成本,满足绿色计算的需求,将可再生能源的收集融合进边缘缓存框架中。考虑到可再生能源的动态性和用户请求的未知性,提出了长期能耗约束下的时延最小化问题。为了解决此问题,提出了可再生能源供应下的在线服务缓存算法,算法首先基于李雅普诺夫优化实现了优化问题的时域解耦,并得到了最优的能量采集决策,然后利用数据感知的组合上置信界算法实现了未知用户请求下的服务缓存决策,并对算法性能进行了理论分析与证明。实验结果表明,该算法与其他算法相比,可以在满足长期能耗约束的前提下将系统时延降低至少7.89%。其次,研究了任务卸载与服务缓存的协同优化策略。针对任务卸载与服务缓存问题大多独立研究的现状,考虑到服务缓存与卸载决策之间的相关性,提出了以最大化用户体验度为目标的协同优化问题。为了简化该问题的求解,提出了任务卸载与服务缓存的协同优化算法并将其分为两个过程,首先基于数据感知组合上置信界算法,在用户偏好的驱动下最大化缓存收益,然后采用基于深度确定性策略梯度的算法在缓存决策已知的前提下,实现最优的任务卸载决策。实验结果表明,提出的算法相对于其他对比算法能够将用户体验度提升至少25.63%,并进一步降低系统时延与能耗,提高服务缓存的命中率。