随着网络用户与基站的密集化和计算能力在网络边缘的部署,将超密集网络与移动边缘计算技术(Mobile Edge Computing,MEC)相结合成为了未来无线接入网的发展趋势,上述两种技术的结合能够进一步满足用户对于高速率、大连接、低时延以及低功耗的需求。但移动边缘计算有限的网络资源和超密集网络的复杂环境,会降低计算卸载的收益,甚至会严重影响网络性能,造成极大的损失。因此,在超密集移动边缘计算网络中研究任务卸载和资源分配是十分有必要的。首先,本文介绍了移动边缘计算的研究背景和相关概述,重点描述了移动边缘计算中卸载和资源分配以及卸载和缓存决策的协同研究,深入分析了现有研究工作的特点并进行了归纳总结。其次,针对超密集网络中多MEC服务器部署场景下,用户终端和MEC服务器双向匹配选择的问题,将计算资源分配和卸载决策变量作为可调控参量,建模为一个以时间和能耗加权和最小化的优化问题。进而,采用次优化解决方案将此NPhard问题分解为计算资源分配和卸载决策两个子优化问题。并基于此,提出了一种多基站博弈卸载算法,该算法利用拉格朗日乘数法求解计算资源分配问题,运用匹配博弈论协调用户与服务器之间的相互选择,依据双方偏好效用取得最佳的卸载策略。数值结果表明,所提算法可以有效得节省系统开销。再次,在加入业务缓存的超密集移动边缘计算网络中,针对用户需要先获得业务缓存内容才能进一步进行任务处理的问题,联合基站连接选择、缓存决策、卸载决策以及计算资源分配,制定了一个以时间开销最小化为目标的优化问题。并基于此,设计了一种基于SDN的超密集网络架构来实现逻辑集中控制,简化网络资源管理。进而,提出了一种基于Q学习的智能边缘卸载与缓存算法,该算法可以通过探索与学习自动适应新环境,从而给出最佳的基站连接选择、缓存、卸载以及计算资源分配策略。仿真结果表明,本文所提出的算法能够显著降低用户的平均开销时间。最后,对本文的研究工作进行了总结,并展望了未来的研究方向。