随着移动物联网的迅速发展,移动设备变得越来越普及,同时大量的计算密集型应用也随之兴起。这些应用一般需要大量计算并产生高能耗,可是移动设备在计算能力和电池容量方面受限,两者之间的矛盾推动了移动边缘计算(MEC)的发展。移动边缘计算将云服务器部署在无线接入网络的边缘,在物理位置上位于移动设备用户的附近,为用户提供云计算资源,因此,用户可以将任务计算卸载至附近的MEC服务器端执行,以降低其任务计算的响应时间和能量消耗。但是,关于计算卸载问题的研究,现有工作大多考虑的是,分配给每一个卸载用户的通信资源和计算资源在一个计算卸载周期内保持不变,即资源的静态分配,导致了有限资源的浪费,影响了MEC计算卸载的性能。为了解决上述问题,我们提出了在任务计算卸载过程中无线带宽资源和计算资源动态分配的方案,即将数据传输结束任务所分配的带宽资源重新分配给数据传输未结束的任务,将计算结束任务所分配的计算资源重新分配给计算未结束的任务,从而提高资源利用率。首先,我们分析了MEC网络场景下基于通信资源和计算资源动态分配的计算卸载问题,分别建立了通信模型、计算模型和代价模型,并提出了计算卸载的博弈论模型,其目标是最小化系统中每一个用户任务的计算代价。然后,通过表明该计算卸载博弈是势博弈,我们证明了计算卸载博弈论模型纳什均衡的存在性。接下来,我们提出了基于博弈论模型的计算卸载算法(ECO-MEC算法),该算法在有限次的迭代之后,最终达到计算卸载博弈的纳什均衡,并对ECOMEC算法的收敛性进行分析,得到了ECO-MEC算法收敛时的时隙数的上界。进一步,我们从受益云计算用户的数量和系统级计算代价两方面出发,分别使用PoA来评估ECO-MEC算法的性能,推导出了PoA的上下界。最后,我们设置仿真实验场景,进行仿真实验。我们首先进行ECO-MEC算法收敛性的实验,实验结果验证了ECO-MEC算法的收敛性,表明了ECO-MEC算法可以在有限个时隙内收敛至计算卸载博弈的纳什均衡。然后,分别针对任务数据大小范围的不同长度、任务计算所需CPU周期数范围的不同长度、不同用户数量进行仿真实验,并将ECO-MEC算法与其它几种算法进行对比,实验结果表明:ECO-MEC算法在受益云计算用户数和系统级计算代价方面都拥有较优的性能,比如,与JPBR算法相比,就受益云计算用户数来言,ECO-MEC算法能够实现30.8%的性能提升,就系统级计算代价来言,ECO-MEC算法能够实现34.1%的代价降低。