随着多功能移动终端的普及,智能识别、增强现实（Augmented Reality,AR）及电子医疗等新型应用逐渐向移动网络渗透。然而,由于移动用户（Mobile User,MU）的计算及缓存能力有限,难以为资源密集型应用提供高质量服务。移动边缘计算（Mobile Edge Computing,MEC）技术可解决上述问题。MEC融合了无线通信网络和云计算技术,通过在网络边缘部署MEC服务器支持MU任务卸载,可实现任务高效执行。针对MEC系统不同网络场景,如何综合考虑用户需求多样性、网络状态可变性及系统可用资源有限性,设计合理的任务卸载及缓存策略至关重要。本文针对MEC系统联合任务卸载及缓存算法开展研究,具体内容如下:本文首先简要介绍了MEC基本概念及架构,并阐述现有MEC系统任务卸载及缓存相关算法,强调了联合任务卸载及缓存算法的重要性。针对蜂窝MEC协作系统时延敏感型任务执行需求,研究联合任务卸载及缓存问题。综合考虑网络状态、系统可用资源及任务特性,建模任务执行时延最小化问题。由于优化问题是混合整数非线性规划（Mixed Integer Non-Linear Programming,MINLP）问题,故将原问题分解为辅助信息缓存子问题、任务拆分子问题及任务执行模式选择子问题。由于MU位置动态变化影响任务卸载及缓存策略,本文提出一种基于回声状态网络（Echo State Network,ESN）的移动性预测算法。根据MU的历史移动轨迹,预测未来某段时间内的移动轨迹。为了有效利用MEC服务器的缓存空间,基于预测的MU移动轨迹,提出一种基于流行度的辅助信息缓存算法。在给定辅助信息缓存策略的基础上,采用二分法求解任务拆分子问题,进而应用网络虚拟化方案,将任务执行模式选择子问题转化为二分图中的一对一映射问题,并利用Kuhn-Munkres（K-M）算法求解子问题。针对任务动态到达的MEC网络场景,提出一种基于任务队列的联合功率分配、任务卸载及服务程序缓存（Service Program Caching,SPC）策略。首先定义任务执行成本,并考虑任务调度、任务生存时间及任务队列有限性等限制条件,建模任务执行成本最小化问题。由于该问题同时涉及二元任务卸载及缓存和连续用户功率分配策略优化,将其分解为功率分配、任务卸载及SPC子问题。考虑功率优化变量相对独立,首先采用拉格朗日算法确定功率分配策略。基于功率分配策略,进而提出一种迭代算法,对任务卸载策略和SPC策略交替优化。具体地,首先给定SPC策略,提出一种任务传输及计算调度算法确定任务卸载策略,进而基于任务卸载策略,设计一种基于优先级的SPC算法。重复上述步骤,直至算法收敛。仿真表明所提方案可有效降低任务执行成本。