移动边缘计算（Mobile Edge Computing,MEC）作为5G可能的关键性技术基础,通过将服务节点下沉到更接近用户的位置,在网络边缘为用户提供计算、通信与存储服务,从而减少处理任务产生的时延和能耗。考虑到无人机灵活、易部署的特点,可以将它作为移动边缘服务器,为终端设备提供有效的通信覆盖。此外,还可以将它作为供能平台,利用无线充电技术为设备提供任务卸载的能量。然而,环境造成的信号阻塞和阴影、无人机携带的资源有限等问题都会导致计算密集型任务无法成功卸载到无人机。此外,偏远地区物联网终端设备也存在供能不便的问题。因此,本文针对无人机供能和任务卸载问题进行了研究。本文的研究工作总结如下:（1）针对终端设备供能不便的情况,提出基于单无人机辅助的无线供电MEC网络,以便终端设备在卸载任务的同时还可以为设备进行无线充电,而无需要更换电池。于是,该网络的优化问题被设计为,根据实时的信道增益为终端设备任务提供卸载决策。考虑到组合优化的复杂性,提出了一个基于深度强化学习的卸载算法,该算法通过深度神经网络从经验中学习二进制卸载决策,从而消除了求解组合优化问题的需要,大大降低了计算复杂度。（2）受无人机高度灵活性和可控性的启发,提出一种多无人机辅助的“云边一体”网络架构,用于卸载终端设备中计算密集型任务,其中无人机可以提供近用户边缘计算。基于这种架构,计算卸载问题将是一个混合整数非线性规划问题,通常很难求得最优解,因此提出一种基于重要性采样深度强化学习的高效计算卸载算法,以获得最佳计算卸载策略。该算法根据输出的目标值与实际值为每个样本设置优先级,使得神经网络在进行训练时,会选择优先级较高的样本,从而加快神经网络的拟合速度。（3）为使算法能够有效的应用在生产环境中,提出基于Unity3D和3Dmax搭建的移动边缘计算可视化平台,其中3Dmax负责绘制模型,Unity3D负责编写各个模型对应的逻辑功能。平台运行过程中,根据用户所选中的终端设备,设备的任务信息以及每个设备任务的卸载决策都会被呈现在显示面板上。此外,每个任务在被处理完之后,处理结果也会保存到数据库中。