当前移动数据流量的爆炸式增长以及各行各业的新型应用对于网络传输性能愈发严苛的需求,已经促使移动互联网通过结合云计算、边缘计算等新的服务模式产生愈发旺盛的活力。边缘计算作为云计算的重要补充,其核心价值在于分担云端节点的压力,将请求应答、内容存储、需求计算等功能下沉到网络边缘（如区域基站、移动终端设备等）,就近为各类终端用户提供更加快速的服务,同时减轻回程链路压力,从而达到提升整体服务性能的目的。传统的主动缓存模型在面对指数级增长的用户请求时,往往无法兼顾用户服务体验与整体资源开销。而在当前边缘计算网络架构下,缓存策略部署在边缘端这一分布式特性与对边缘节点处用户个体数据差异进行本地训练二者完美契合。因此提前通过用户本地历史数据对用户端内容热度（Content Popularity）进行分析与预测,不但将加深社交用户行为的认识、理解社交现象、指导应用设计,强化社会稳定与舆情分析引导,同时将在一定程度上缓解包括边缘端服务器与基站在内的网络配套资源分配窘境,优化用户服务体验质量,进一步促进移动互联网内容生态发展。目前内容热度演进规律与预测相关领域的研究,大都未能精确揭示信息传播过程中其热度随时间不断发生变化的客观规律,内容热度预测（Popularity Prediction）问题缺乏更深层次的研究,从而导致预测精度与准确性较低。该问题是一项具有挑战性的工作,具有演进模式复杂、预测过程中多重因素交互影响、等重要挑战。本文将围绕上述两方面的挑战,针对典型移动边缘网络场景开展基于内容热度预测的边缘缓存算法优化研究,主要工作和创新点如下:第一,针对当前移动边缘计算环境下缓存以及内容热度预测关键技术进行系统归纳回顾与研究热点总结,通过概述边缘缓存与热度预测应用的优缺点与当前挑战,优化当前边缘计算环境下的内容热度预测策略。第二,针对典型移动边缘网络区域内基站的通信资源有限以及用户请求内容动态变化的问题,提出了区域内基于内容热度聚合的边缘缓存部署策略,通过部署联邦学习实现用户个人偏好信息的高效聚合,用于解决移动边缘网络中内容热度分布变化的问题。以最小化系统传输开销为目标,将动态网络环境下的区域内边缘缓存部署和内容热度探知问题构建为场景优化模型。第三,针对典型移动场景下内容热度演化模式分析以及传统工作对演化模式缺乏基本认识的问题,提出了基于用户偏好学习、自适应情境空间划分的新型联邦学习内容热度预测策略。该策略可在视频内容事前统计数据缺失的情况下进行高精度的内容热度预测。同时通过量化内容热度和用户偏好关系,有效降低系统整体计算复杂度和传输资源开销。相较于传统内容热度预测方法,本文提出的内容热度预测方案能实现更高的预测精度与更优的缓存性能。