近年来,越来越多的终端设备接入互联网并逐渐走向智能化。为了满足多样化的用户需求,这些设备需要处理越来越多的计算密集型或时延敏感型任务,然而,这些移动设备往往资源有限且常常受电池容量的约束。计算卸载作为移动边缘计算（MEC）的关键技术,通过将任务从资源有限的设备传送到边缘节点处理,可以有效缓解终端设备的压力。同时,能量收集技术的使用也能帮助设备有效续航。本文围绕无线可充电边缘网络环境下的实时卸载策略开展研究。在MEC网络环境下,终端设备可以通过无线同步信息和能量传输（SWIPT）技术保证正常通信和能量收集。另外,用户设备还可以通过动态电压频率缩放（DVFS）技术调整本地计算的CPU频率。然而,在多用户网络环境下,计算任务需求多样且网络信道状态多变,如何根据动态环境条件实时获取卸载策略是研究重点。因此,本文针对多用户MEC环境下的计算卸载问题,设计基于深度强化学习的算法实时获取卸载策略,通过联合优化多类决策变量降低任务的平均能耗和时延,提升任务完成度。主要研究内容和成果如下:（1）研究基于无线能量收集的多用户实时任务卸载策略。首先,本文提出一个融合SWIPT技术的“多对一”边缘网络系统模型,制定了时延约束和资源受限下的能耗最小化问题。其次,针对出现的离散和连续动作变量共存问题,设计了一种基于增强深度确定性策略梯度（EDDPG）的在线计算卸载算法。最后,通过仿真验证了所提算法的性能,该算法能够在满足时延约束和资源受限的情况下降低任务平均处理能耗。（2）研究基于无线供电的多边缘服务器网络任务卸载策略。在“多对一”模型基础上进行扩展,研究“多对多”MEC模型下的计算卸载问题。在时延约束和资源受限的前提下,构建一个能耗最小化的多变量联合优化问题。通过使用优先级经验回放技术提升策略学习的效率,提出一种基于增强优先级深度确定性策略梯度（EPDDPG）的在线计算卸载算法。仿真结果表明,该算法收敛速度更快且系统性能也有明显提升。