在移动边缘计算（Mobile Edge Computing,MEC）技术中,由于受本地计算资源、本地电池电量、边缘计算资源的限制,系统开销最小化问题的求解变得十分困难。针对此问题,本文研究了几种不同的边缘计算场景,并针对每种场景设计了用于制定卸载决策与资源分配方案的算法,以实现系统开销最小化的目的。本文的主要贡献如下:（1）针对多用户单MEC服务器场景,为同时保障任务的执行满足时延与可靠性方面的需求,建立了时延与任务到达率加权的系统总开销函数;通过引入拉格朗日对偶方法对该函数的最优化问题进行求解;搭建了深度神经网络（DNN）对卸载决策制定过程进行训练,从而得到各个用户最优的卸载决策与时延-任务完成率权重因子,实现了系统总开销最优化的目标。（2）针对多用户多MEC服务器场景,为保障海量连接环境下时延敏感型任务的正常运行,设计了一种基于中继辅助节点的集中分发卸载工作模式。考虑到计算节点繁忙时任务需要排队等待服务,因此排队论模型求解任务平均排队等待时间,并将其纳入系统总时延考量;通过在中继辅助节点中部署模拟退火算法对卸载决策进行优化,并利用中继辅助节点转发卸载任务,从而达到系统总时延最小的目的。（3）研究了用户处于移动状态的多用户多MEC服务器场景下,实现系统平均总开销最小化的卸载决策与资源分配解决方案。提出一种用户在二维平面任意方向上做非匀速运动的移动性模型;建立了时延、能耗、移动性开销加权所得的系统平均总开销数学表达式;利用Lyapunov优化理论对系统平均总开销最小化问题进行二次建模,并使用迭代的方法得到最佳卸载策略与资源分配方案,从而获取系统在一段时间内的最佳系统平均总开销。本文根据不同的研究场景设计相应的算法性能评估指标,并分别对上述三个问题进行实验仿真。实验结果表明,本文提出的方法在相对应的应用场景下具有较低的系统开销,相较于基准算法,拥有更好的算法性能,得出了使得系统开销最小化的卸载决策与资源分配解决方案。