在传统工业生产车间设备监测与运维过程中,存在边缘端设备难以对车间设备产生数据进行高效实时处理的问题。完整的物联网体系为工业场景提供了更切合实际的服务,工业场景下海量异构的终端设备所产生的任务越发多样化,而终端资源自身的限制导致计算需求不能满足。为了更高效的处理工业任务,边缘计算提供了计算卸载和资源分配等技术,这些技术实施过程存在着与环境的交互,强化学习能够在环境状态不确定的情况下获取良好的决策。深度强化学习将深度学习与强化学习的优势结合起来,可用于复杂环境条件下的决策问题。本文以计算密集型的工业场景为研究对象,针对场景中多终端产生的海量异构任务,构建计算卸载的环境,提出了基于深度强化学习的多终端任务卸载技术。本文的具体工作如下:针对工业场景中的任务受时间约束的场景下,资源分配不合理导致的任务服务低质量的问题,本文提出了基于深度Q网络（Deep QNetwork,DQN）的多任务资源分配方案。研究了多个任务在并发卸载过程中,边缘服务器的资源分配方案对任务处理结果的影响,同时计算资源的分配规则需要与任务关联,需要尽可能多的任务在约束时限内完成规定任务。实验结果表明,任务的处理时限关联分配方案会提高计算资源利用率,在终端数量一定的情况下,所提出的算法可以在规定的时间内准确地完成大部分任务。针对工业多终端任务卸载场景中卸载策略效能低的问题,本文提出了一种基于深度确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）的多终端计算卸载策略。对复杂环境下物联网工业场景中终端与边缘服务器进行分析并构建模型,通过将计算服务卸载到边缘服务器的方式,有效缓解工业设备资源和计算密集场景之间的紧迫关系。本文研究了多终端连续卸载动作对系统总任务处理成本的影响。实验结果表明,DDPG算法可以在多终端场景下实现最低系统任务处理成本,在多种工业场景下是可行的。