随着网络智能设备的日益激增,移动网络边缘产生了大量的异构数据,为了更好的处理这些异构数据,研究人员提出移动边缘计算（Mobile Edge Computing,MEC）架构,其通过将计算、储存能力下沉到网络边缘以消除云的压力,从而加快内容交付、提高服务质量。此外,随着移动网络上丰富的流媒体服务的数量不断增加,移动设备的流量和计算量都有了巨大的增长。边缘缓存作为一种新兴技术出现在移动网络的边缘,用于解决移动网络中海量内容访问造成的负载、延迟过高的问题,以支持快速增长的物联网服务和应用。然而,缓存空间受限的边缘服务器不可能缓存所有用户请求的内容。因此,如何在资源受限的边缘服务器上实现高效的内容缓存,进而降低内容访问延迟,成为亟待解决的问题。另外,为了应对目前大多数基于优化的方法在动态环境中缺乏自适应能力的挑战,基于学习的缓存方法通常以集中式的方式提出。但在集中式的训练和数据传输过程中,可能会产生网络资源过度消耗及主干网络压力过大等问题。近年来,联邦学习（Federated Learning,FL）作为一种分布式的训练方式被提出,将联邦学习应用到边缘缓存策略中可以降低主干网络压力、提高缓存效率以及有效保护用户隐私。但联邦学习也面临着用户移动频繁、用户数据异构以及用户设备资源受限等问题。因此,讨论面向联邦学习的训练优化问题以及基于联邦学习的边缘缓存问题,具有较重要的理论和实际意义。针对上述问题,本文从以下几个方面展开讨论:（1）针对基于联邦学习的移动边缘计算环境下,用户具有移动性以及用户设备资源受限导致联邦学习训练精度低、训练延迟过长等问题,本文提出了面向联邦学习的参与者选择与资源分配联合优化方法。首先,描述了基于联邦学习的移动边缘计算系统框架、分析了面向联邦学习的参与者选择与资源分配联合优化问题并介绍了联邦学习训练步骤。然后,通过构建参与者选择以及联邦学习训练的传输与计算模型,建立了最小化联邦学习长期训练延迟的优化目标。由于面向联邦学习的参与者选择与资源分配联合优化问题是一个NP难题,本文将参与者选择与资源分配联合优化问题表述为马尔可夫决策过程,运用深度Q学习（Deep Q Learning,DQL）来求解近似最优策略。最后,搭建基于联邦学习的移动边缘计算仿真环境,将Random算法、Greedy算法和Q-learning算法作为基准算法,与所提出的基于深度Q学习的参与者选择与资源分配联合优化算法进行实验对比。实验结果显示,本文算法能选择合适的移动用户设备参与联邦学习,并在一定能耗限制条件下有效地降低联邦学习长期训练延迟。（2）针对移动边缘计算环境下,存储空间受限的边缘服务器和用户移动性之间的矛盾导致内容平均访问延迟增加和缓存命中率下降等问题,本文提出了基于联邦深度强化学习的边缘协作缓存方法,旨在保护用户隐私的前提下实现动态自适应的边缘缓存。首先,分析了移动边缘环境下基于联邦学习的边缘缓存问题。然后,通过构建用户移动性模型、协作缓存模型以及内容访问延迟模型,建立了最小化边缘缓存长期平均内容访问延迟的优化目标。本文将边缘协作缓存模型表述为马尔可夫决策过程,运用竞争深度Q网络学习（Dueling Deep Q Network Learning,DDQNL）来求解近似最优策略,并采用联邦学习的方式来训练。最后,将LRU算法、PBC算法和DRL-EC算法作为基准算法,与所提出的基于联邦深度强化学习的边缘协作缓存算法进行实验对比。实验结果显示,本文算法能够在一定程度上有效地降低平均内容访问延迟,提高缓存命中率。