随着智能应用的广泛使用（如增强现实、自动驾驶、目标跟踪等）,越来越多的计算密集型任务对移动设备计算能力和任务处理延时提出了更高的要求。移动边缘计算通过将任务卸载到距离终端较近的边缘云上,克服了移动设备计算能力不足的缺点,同时有助于节约设备的能耗。由于边缘云资源是有限的,如何选择计算任务的卸载位置以及为每个任务分配多少计算资源是亟待解决的问题。为了解决这些问题,分别构建单小区单服务器和多小区多服务器面向多用户两种场景下的边缘计算任务卸载与资源分配模型。针对单小区单服务器场景,提出基于深度强化学习的联合任务卸载与资源分配算法。采用基于用户体验的自适应时延和能耗权重因子,构建以最小化所有用户任务时延和能耗为目标的系统模型来满足不同用户的需求。将任务卸载和资源分配优化问题转化为最小化系统消耗问题,并定义一种等价的强化学习形式,即基于所有可能的解定义状态空间,基于计算资源分配策略定义动作空间,并提出终止动作的概念,进一步缩小动作空间。在此基础上,提出两种有效的Q-Learning求解算法和Deep Q Network求解算法。仿真结果表明,与其它基线算法相比,所提出的算法最大程度降低了系统消耗。针对多小区多服务器场景,以最大化系统效用为目标,将卸载决策、通信子信道分配和计算资源分配整合为一个混合整数非线性规划问题。由于问题的组合性,难以直接求解大规模问题的最优解,因此将原始问题分解为具有固定任务卸载决策的计算资源分配、子信道分配和任务卸载优化问题。首先利用KKT（Karush-Kuhn-Tucker）条件得到计算资源分配问题的最优解,同时考虑到信道干扰问题制定了子信道负载均衡策略,然后在任务卸载问题中联合计算资源分配的最优解和子信道负载均衡策略,提出基于Dueling DDQN的多服务器协同任务卸载算法。最后,通过实验验证,所提出的算法可以有效地进行计算卸载和资源分配,从而提高系统效用,降低移动设备的开销。