近年来,随着信息与通信技术的快速发展,计算密集型服务如增强现实(AR,Argued Reality)、虚拟现实(VR,Virtul Reality)和人脸识别等得到了迅猛发展。在计算能力和电池容量都有限的移动设备执行这些应用需要占用非常多的资源,这会产生较高的时延和大量的能耗。本文在移动边缘计算环境下,考虑网络带宽和移动设备电池电量的动态变化等因素,设计了一种基于深度强化学习的服务迁移策略模型,该模型能够根据网络带宽和移动设备电池电量等因素,做出以更少综合开销完成计算任务的服务迁移决策;并将模型应用到一种基于人脸识别服务的服务迁移系统中。本文具体工作如下:本文设计了一种基于深度强化学习的服务迁移算法模型并进行了优化分析。首先,研究了基于移动边缘计算环境的相关技术,包括有移动边缘计算技术、服务迁移技术、Docker容器技术和深度强化学习技术。其次,研究了在移动边缘计算环境下两个关键性动态因素对服务迁移开销的影响;再次,提出了一种基于深度强化学习的服务迁移算法模型,最后使用基于Python语言的仿真环境搭建了模拟移动边缘计算的服务迁移仿真系统;通过不断优化深度强化学习系统中参数,也即经验回放尺寸大小和学习率,以服务时延和移动终端能耗的综合开销为优化目标;将其结果与贪心算法和动态规划算法进行对比,结果显示,所提服务迁移算法得到的策略有较好的时延和能耗性能。本文设计实现了一种基于人脸识别应用的服务迁移系统,使用Tensorflow Lite开源框架,将经过参数优化和完成训练的基于深度强化学习的服务迁移算法模型转换成可在移动设备上工作的文件格式,并植入人脸识别应用。在服务器端,使用Docker容器技术设计实现了自动配置人脸识别服务,自动处理所配置人脸识别服务和自动返回计算结果。在不同网络环境以及不同移动设备电量水平条件下,测量人脸识别服务的造成的响应时延和移动设备能耗,并验证本文所提出的迁移算法模型性能。实验结果表明,本文提出的基于深度强化学习的服务迁移模型得出的策略具有较好的性能,相比服务完全在移动设备上计算能节省39.13%的时延和48.67%的能耗,相比完全在服务器上计算能节省34.35%的处理时延和52.65%的能耗。