超密集异构网络（Ultra-Dense Heterogeneous Wireless Network,UD-HWN）和移动边缘计算（Mobile Edge Computing,MEC）已经成为了5G网络中解决各种计算密集型和时延敏感型应用需求的关键技术,其中UD-HWN通过在宏基站覆盖范围内部署微基站实现多种无线技术的融合（4GLTE、5GNR和Wi-Fi等）,能够满足海量移动设备的接入和不同应用业务的需求,而MEC通过在用户附近部署计算、存储和网络服务,能够有效降低应用的服务时延。然而,在UD-HWN中由于各种类型微基站的密集部署和移动设备（Mobile Devices,MD）的移动性,为了保持最佳的网络连接状态,传统的网络切换判决算法由于考虑的判决因素比较单一,容易造成频繁的网络切换,从而可能导致正在进行的服务中断、MD能量消耗增加和网络切换信令交互增多等问题。为了解决传统网络切换判决算法的不足,相关学者提出了基于多属性切换判决方法,但是这些方法仍然有不足,没有综合考虑在UD-HWN应用场景中,不同类型网络的各种性能特点对切换决策的影响,以及在网络切换过程MD与基站之间有大量的信令交互造成网络可用资源减少和MD能量消耗问题。另一方面,在UD-HWN中,由于微基站的密集部署增加了网络环境的复杂性,而动态时变的网络状态会影响卸载策略;MEC服务器有限的计算资源不能同时满足大量的任务卸载请求;MD的移动性可能会导致任务服务中断甚至计算卸载失败等问题。所以,在UD-HWN中任务卸载具有挑战性,因此,计算卸载问题是急需解决的问题之一。针对现有工作的不足,本文基于深度强化学习算法,研究了UD-HWN中网络切换管理和任务卸载问题。主要研究内容如下:（1）本文提出了一种联合RSS预测和基于多业务类型的多属性的自适应切换判决方案,实现降低候选网络规模和网络切换次数。首先,设置一个基于RSS门限阈值筛选机制筛选出符合条件的网络加入候选网络列表,降低候选网络规模。然后,综合考虑五种业务类型和七种网络判决属性,使用层次分析法（AHP）计算不同业务对应的判决属性权重值,再基于用户偏好对属性权重值进行再优化,通过多种切换判决属性共同约束MD与网络之间的切换,降低网络切换次数。其次,把网络的切换过程建模为马尔科夫决策过程（MDP）模型,结合深度强化学习A3C算法,把业务类型和候选网络性能参数作为输入,使用Critic神经网络计算出各候选网络的状态价值大小,并选择状态价值最大的网络作为目标切换网络,实现最优目标网络的选择。最后,根据MD与目标网络的RSS的历史信息及MD对应的位置信息,基于深度学习中的门控循环单元（GRU）模型,预测未来时隙MD的RSS,更新优化RSS门限阈值,降低MD与周围网络之间的信令交互,提高网络吞吐量和降低MD的能量消耗。（2）本文提出了一种基于用户位置感知的多点协作计算卸载策略。为了降低任务卸载时延和任务卸载失败率,本文应用在基于SDN的集中式计算卸载协作架构,实现MEC服务器的协作计算。首先,根据MD的任务类型特点为其分配任务优先级,然后,把任务卸载问题建模成MDP模型,提出基于深度强化学习DDPG的任务卸载算法,根据任务类型和MEC服务器的负载状态选择合适的卸载节点,最后,根据MD历史轨迹预测出未来时隙MD所处的位置和连接的目标基站,并把计算结果提前返回给目标基站,实现系统服务时延最小化。