最近,移动增强现实(AR)正成为最迫切的研究内容。AR利用计算机图形学并通过将现实世界与计算机生成的虚拟图像相结合以构建能响应用户输入的现实世界。随着移动应用的进步,用户设备如手机,笔记本电脑,平板电脑变得非常流行和方便。但由于AR应用的密集计算和高电池能耗特征,我们无法充分实现其优势。移动云计算概念虽然可以克服计算和电池能耗问题,但是会引入延迟,因为信息需要以网络拓扑形式从强大服务器发送到远端用户。而且,它不提供高质量的传输,也不能参与实时应用。AR应用对时间敏感,需要高计算能力和电池容量。除了在移动设备上使用整个应用程序之外,AR应用程序可以卸载到微云服务器(Cloudlet)上并消除AR应用程序的延迟问题,由此引入了移动边缘计算(MEC)的新概念。在这种情况下,cloudlet可以最接近移动网络边缘的用户设备。它在无线接入网络中部署存储容量,并在终端用户之间提供直接信息传输,从而为AR应用提供高质量的服务。MEC在基站中部署可以避免系统故障。本论文的主要工作描述如下:首先,论文介绍了AR应用及其背景,研究动机、问题以及本文的贡献,简要介绍了机器学习与Q学习。详细总结了延迟敏感的沉浸式AR应用所面临的挑战,AR应用的种类以及与之相关的技术。其次,利用机器学习算法设计了一种针对基于MEC的协同AR应用的共享资源分配策略。利用AR应用的协作特性将部分应用卸载到MEC服务器上。我们设计了一种Q学习算法来达到协作卸载的目的。利用数值结果验证了所提出算法的有效性。