随着高性能计算技术的快速发展与智能设备的广泛普及,4K/8K高清视频、虚拟现实等新型应用服务正逐步走进人们的日常生活。然而,这些应用服务产生的计算任务通常具有计算密集或时延敏感特性,给通信与计算能力有限的用户设备带来了严峻的挑战。移动边缘计算（Mobile Edge Computing,MEC）是基于5G演进,将移动接入网与互联网业务深度融合的一种新的计算范式,旨在将云计算与云存储功能拉近到网络边缘,为用户创造出一个具备高性能、低时延与高带宽的网络服务环境。不同于中心化的云计算平台,MEC服务器提供的资源有限,多用户计算卸载会带来网络阻塞与高时延等问题,无法满足用户多样化服务质量（Quality of Service,Qo S）需求,如何提高计算卸载效率与优化网络资源分配是目前研究面临的主要难点。为此,本文从用户多样化Qo S需求出发,对边缘计算场景下资源联合分配算法进行深入的研究。主要研究内容如下:（1）边缘计算场景下计算卸载研究。计算任务产生具有动态性和不可预测性,若不对任务类型加以区分,直接将全部任务卸载至MEC服务器进行处理会导致上行链路阻塞,也会对网络寿命产生较大影响。针对上述问题,构建多用户MEC系统模型,以时延、用户设备发射功率、无线接入点（Access Point,AP）计算资源等作为约束条件,构建以最大化网络寿命为优化目标的优化问题,提出一种任务动态卸载算法,实现延长网络寿命。具体而言,首先提出一种计算任务分类算法,将任务分为本地执行集、卸载集和丢弃集;然后针对卸载集中的任务,提出一种卸载优先级算法,通过定义任务卸载优先级成本函数,比较成本大小以获得卸载任务的优先级;最后提出一种AP卸载决策算法,根据AP计算资源状态来决定任务是否卸载至MEC服务器。通过仿真与其他算法进行性能对比,验证所提算法的有效性。（2）边缘计算场景下通信与计算资源联合分配算法研究。多用户同时向MEC服务器发起计算卸载会产生严重的干扰问题,导致传输速率下降,任务卸载数减少。针对上述问题,研究通信与计算资源联合分配问题,以时延、带宽及计算资源等作为约束条件,构建以最大化任务卸载数为优化目标的优化问题,将优化问题分解为两个子问题,提出一种低复杂度的两阶段启发式算法,有效增加任务卸载数。具体而言,首先采用超图着色法解决带宽资源预分配问题;然后根据设备能耗分析用户设备卸载收益,并通过应用上下行链路对偶方法将MEC服务器资源分配子问题转化为凸问题进行求解。通过仿真与其他算法进行性能对比,验证所提算法的有效性。（3）边缘计算场景下通信、计算与缓存资源联合分配算法研究。同一个MEC服务器覆盖范围内的用户设备通常会频繁地请求相同的任务,不仅占用额外的信道资源,也会增加MEC服务器的计算负载。针对上述问题,研究通信、计算与缓存资源联合分配问题,以时延、虚拟机（Virtual Machine,VM）负载、缓存决策等作为约束条件,构建以最大化缓存增益为优化目标的优化问题。受经典Gale-Shapley匹配理论启发,提出一种全双工动态匹配算法,包括用户设备与任务匹配、任务与VM匹配、任务与磁盘匹配三阶段,有效提高MEC服务器的缓存增益。通过仿真与其他算法进行性能对比,验证所提算法的有效性。