随着用户设备（User Equipment,UE）数量的快速增加,网络中的数据流量呈指数级增长。为缓解中心云的负担,雾计算作为云的补充,将计算和存储等资源扩展到网络边缘以支持超大规模物联网（Internet of Things,Io T）应用。本文重点研究雾计算网络中基于区块链技术的资源分配方案,包括计算任务卸载方案和联邦学习任务分配方案。首先,为保证卸载任务信息安全并最小化网络成本,本文研究了雾计算网络中基于区块链技术的任务卸载决策和资源分配方案。其次,为降低任务卸载过程的时延和能耗,引入端到端（Device to Device,D2D）协作群组卸载和雾节点（Fog Node,FN）卸载方式。然后,提出改进型委托权益证明（Delegated Proof of Stake,DPo S）共识机制,由部分区块链节点进行验证和打包交易,有效降低区块共识过程的时延和能耗。此外,以最小化网络成本为目标建模优化问题,并提出基于区块链的任务卸载和资源分配算法（Blockchain-enabled Task Offloading and Resource Allocation Algorithm,BTORA）。原优化问题是一个混合整数非线性规划问题,可将其转换为两个子优化问题:任务卸载决策和传输速率分配子优化问题,计算资源分配子优化问题。针对子优化问题一,提出一种任务卸载决策和传输速率分配算法（Task Offloading Decision and Transmission Rate Allocation Algorithm,TOTRA）以获得局部最优任务卸载决策和传输速率分配结果;针对子优化问题二,提出一种计算资源分配算法（Computing Resource Allocation Algorithm,CRA）以实现计算资源最优分配。最后,通过仿真结果验证了所提算法的有效性。进一步,由于网络智能化,大规模学习任务激增,其所需的海量数据将产生巨大的流量负担,并导致用户隐私问题。为实现分布式学习,保证数据安全,同时降低学习时延和能耗,本文研究了雾计算网络中基于区块链的联邦学习任务资源分配方案。首先,引入UE信任值模型,根据UEs的信任值筛选联邦学习任务参与者,提高联邦学习效率。其次,在FNs执行雾聚合,降低FN到云端的数据传输开销。然后,相邻UEs通过D2D链路进行模型共享,提升本地模型质量,加快全局模型收敛速度。此外,构建系统总开销优化问题,提出基于区块链的联邦学习和资源分配算法（Blockchain-enabled Federated Learning and Resource Allocation Algorithm,BFLRA）。最后,通过仿真结果验证了该算法的有效性。