过去十年,无线通信的革新和人工智能的复兴为人类的生活带来了翻天覆地的变化。两股新兴力量的碰撞推动着移动通信系统的进一步演进,并将从“人联”、“物联”迈向“万物智联”。然而,以云计算为基石的传统网络架构将无法满足人们未来对时延、能耗以及隐私安全等方面的需求。在此驱动下,边缘计算与边缘智能应运而生,并被学术界和工业界一致视为是实现下一代移动通信系统的两项关键技术。边缘计算旨在将云计算平台迁移到无线接入网的边缘侧,以就近地为终端用户提供弹性的计算服务;边缘智能以边缘计算平台为依托,将人工智能的学习和推理能力嵌入网络边缘,从而实现通信、计算和学习的深度融合。然而,具有巨大潜力的边缘计算和边缘智能技术也面临着一系列挑战,主要包括:1)“云、边、端”协同难题;2)异构管理难题;3)通信瓶颈难题。本论文将针对以上三个挑战开展深入研究。首先,本文研究了边云协同系统中的业务卸载和资源分配问题。针对终端用户的低时延接入需求,本文提出了一种新颖的“云、边、端”分层网络架构,其中业务可以被卸载到边缘节点或云端上进行分布式处理。以最小化系统时延为目标,本文推导了业务在云端和边缘节点之间的最优划分策略,并证明了最优的业务划分率由“归一化回程链路容量”和“归一化云计算容量”共同决定。与此同时,本文讨论了在“通信受限”、“计算受限”、“边缘主导”、“云主导”四种特殊场景下的极限性能,进一步揭示了云计算能力和回程链路通信容量对业务划分的影响机理。此外,本文对云端和边缘节点的计算资源进行了联合优化分配,并设计了一种是否需要将业务卸载到云端的判决准则,从而最大化了系统的资源利用率。其次,本文研究了边缘计算系统中的通信与计算资源联合分配问题。由于传统的边缘计算技术采用二分卸载的方式,业务只能在终端设备或边缘节点上进行单独处理,由此形成了本地计算和边缘计算两种模式。在此背景下,本文首先针对这两种模式分别推导了业务的端到端时延,并讨论了两种模式下系统时延的性能极限。为了进一步提高系统的资源利用率,本文创立了一种基于业务划分的部分卸载计算模式。该模式集成了两种传统模式的优点,实现了业务的并行处理。在此基础上,本文提出了时延驱动下的最优业务划分策略,并结合分段优化技术,设计了面向部分卸载计算模式的联合通信与计算资源分配算法。此外,本文针对“通信受限”和“计算受限”两种特殊场景,分别给出了业务划分与资源分配的闭式最优解。再次,本文研究了联邦式边缘学习系统中通信与学习的异构融合问题。传统的移动通信系统旨在最大化系统的吞吐量,而忽略了终端设备的异构计算形态;传统的分布式学习系统将通信作为“数据管道”,却忽视了终端设备的异构通信形态。为此,本文提出了一种通信与学习的联合优化框架。通过分析联邦式边缘学习的运行机制,本文分别推导了在一轮通信内全局损失函数下降量和端到端时延的闭合表达式。基于此,本文提出了一种面向联邦式边缘学习的性能指标——“学习效率”。该指标反映了全局损失函数在一轮通信内的平均衰减速度,同时将模型超参数（批大小）与通信资源（时隙）集成到了统一的框架下进行联合优化。此外,本文针对CPU和GPU两种场景,分别给出了批大小选择与时隙资源分配的闭式最优解。研究结果从理论上证明了批大小的选择需要自适应无线信道的动态特性。最后,本文讨论了联邦式边缘学习系统的调度优化问题。与传统的随机、轮询以及比例公平调度策略不同,本文首次提出了一种基于概率的调度框架,有效地实现了局部梯度的无偏聚合。进一步地,通过权衡数据样本对模型训练带来的增益和梯度传输对无线信道带来的开销,本文设计了一种“重要性与信道质量联合驱动”的调度策略,实现了双自由度下的终端调度。该调度策略不仅具有中央控制的优势,且相比于传统的调度策略不会造成额外的通信开销。此外,本文揭示了最优的调度概率与终端设备的数据不平衡性指标和局部梯度范数成正比,并且随局部梯度传输时延的增大而呈-2~1次幂趋势的次线性减小。在此基础上,本文从理论上分析了面向所提调度策略的模型收敛速率,同时给出了最优的带宽资源分配方案。本文的前两项研究成果推动了无线边缘网络的“协算”目标,后两项研究成果实现了无线边缘网络的“智融”目的,最终共同为建立内生智能的边缘网络架构提供了理论基础和技术解决方案。