随着移动互联网和无线通信技术的不断创新,移动应用与服务的数量一直保持着快速增长,使得运行在移动设备上的计算密集型任务越来越多,例如人脸识别、交互式游戏以及增强现实等,通常执行这些计算密集型的任务需要占用设备大量的计算资源和能耗。与此同时以智能手机、平板电脑、车载终端等为代表的智能终端的数量也出现指数级别增长,这些异构的终端在电池容量、内存空间、CPU计算能力等性能方面存在较大的差异,有大量的终端设备无法达到新型移动应用对低时延和高可靠性的要求。计算卸载成为了协调新型移动应用高要求与终端设备资源受限之间矛盾的一种可能的解决方案。区别于传统的集中式的远端云服务,移动设备云通常指具有计算和存储等功能的若干设备所组成的小型且物理距离上和用户较近的云。云内设备通过共享通信和计算资源来互相协作,从而完成用户提出的需求。终端设备可以将任务委托给同一网络内邻近的可用设备,并由被委托设备执行计算、存储等操作,进而将自身能力拓展至邻近节点,完成自身能力限制下难以完成的任务。因为设备之间物理距离较近,所以具有灵活性高的特点,可以在节省能耗或者降低时间延迟等方面获得较大的提升,因此,移动设备云的提出和应用在未来具有非常重要的价值。本文研究的是在移动设备云环境下进行的任务卸载,针对系统的时延、能耗等指标提出了可行的卸载方案,并结合仿真结果给出证明。本文的主要贡献如下:（1）针对移动设备云中无偿的任务卸载,提出了一种基于库恩-曼克尔斯算法（KM,Kuhn-Munkres）的任务分配方法,通过利用周围节点的空闲资源,来降低所有节点处理任务的总时延和总能耗。首先根据层次分析法综合任务的多维属性,如计算负载、最晚完成时间等,确定任务执行的优先级,然后建立时延和能耗的优化模型,并将其转化为二分图最大权值匹配问题,采用KM算法求解得到任务分配的最优解,实现终端节点在网络边缘高效的协同执行任务,通过数值仿真,相比任务在本地执行,所提算法能够有效的降低任务卸载的时延和能耗。（2）考虑到用户的自私性和个人理性等因素,提出了一种移动设备云中基于盖尔-沙普利算法（GS,Gale-Shapley）的任务卸载方法。首先我们基于任务属性和本地设备的特点,为每个发起任务的设备设计了一个合理的价格,该价格用来衡量任务发起者占用任务执行者单位时间需要付出的代价,然后基于该价格可以计算出任务发起者卸载任务以及任务执行者执行被卸载任务能够产生的收益,双方均从自身利益最大化的角度去卸载和接收任务,最后我们以社会效用最大化为目标,通过利用GS双向匹配算法对该问题进行求解。本文将求解的结果与中心式的解决方式进行对比,仿真表明,在社会效用接近的情况下,本文所提的算法其计算复杂度要极大的低于中心式方法。