近年来,随着移动互联网的迅速发展,移动用户的规模持续高速增长,传统的移动网络架构已经难以为移动用户提供高质量的网络服务。在此背景下,一种新型的网络架构—移动边缘计算被提出,以期提升网络的服务品质,从而满足移动用户的服务需求。移动边缘计算通过在网络边缘部署服务器来就近处理终端用户的服务需求,借此降低网络延迟与提升移动网络的服务品质。移动边缘计算面临的一个重要问题是:如何对计算任务进行高效地卸载。现有的面向任务卸载的研究工作侧重于独立性任务,而非依赖性任务,独立性任务的卸载策略无法解决工作流环境下任务的数据依赖性与时序依赖性所带来的挑战。鉴于此,论文研究移动边缘计算环境中面向工作流应用的多目标任务卸载机制,目标是最小化工作流的总体完成时间和用户设备的总能耗。具体来说,本文的主要贡献如下:（1）本文将移动边缘计算环境中多工作流卸载问题建模为多目标优化问题,该优化问题综合考虑工作流的总体完成时间和用户设备的总能耗,通过探究工作流的完成时间与用户设备能耗的变化关系,以便在工作流完成时间与用户设备能耗之间做出有效的折衷。（2）本文将构建的优化问题转化为部分可观察马尔科夫博弈模型,并设计与实现了一种基于多智能体深度强化学习的多工作流卸载算法来获得部分可观察马尔科夫博弈模型的最优策略。该算法采用集中式训练分布式执行的方式,对每个智能体训练出一个需要全局信息的评论家和一个需要局部信息的行动者,通过协调多个智能体之间的活动来获得最优的卸载策略。（3）本文通过大量仿真实验评估了所提出的多目标工作流任务卸载算法的有效性与先进性。实验结果表明,所提算法相较于单智能体深度确定性策略梯度算法平均奖励值提升了50%,与其它先进卸载算法相比,本文所提算法在最小化工作流的总体完成时间和用户设备总能耗方面表现最好。