随着第五代移动通信技术（5th Generation Mobile Communication Technology,5G）的快速发展,增强现实、车联网等新兴服务的普及致使数据流量爆炸式增长与设备连接规模不断扩大。同时,用户对服务质量（Quality of Service,Qo S）也提出了更高的要求。用户在处理计算密集型服务时,其本地设备会出现性能不足、能源不足等局限。5G边缘计算应运而生,移动用户可以通过5G无线接入网络高效地将服务上传至移动边缘计算（Mobile Edge Computing,MEC）执行以获取更好的服务体验。然而,MEC的计算与存储资源有限,移动终端的服务需求分布不均匀,边缘服务器会出现部分负载不均和局部过载的情况。合理地资源分配可以促进资源利用的均衡,减少长时间过载给服务器带来的损害。部分用户的高速移动的状态引发的频繁服务器切换会降低服务的稳定性。为了保证服务的稳定性,需要满足移动性约束条件的边-边协同服务迁移。服务迁移还要在满足服务间依赖关系的情况下权衡能量消耗与服务时延。因此,面向5G边缘计算的服务迁移面临着如下挑战:1)针对资源分配问题,目前的资源分配方案都是基于局部超载或服务排队已发生的情况下,针对当前的移动边缘服务环境的滞后分配,并且忽略了负载均衡和时延的权衡;2)针对服务迁移问题,需要在保障MEC能耗低与服务的低延迟的情况下,综合考虑边-边协同服务迁移中用户移动性的影响。为了应对上述挑战,本文对面向5G边缘计算的服务迁移关键技术展开研究,研究内容主要包括:（1）针对改善滞后优化导致的边缘服务器资源提供不及时的问题,综合考虑边缘服务器的负载均衡和服务时延,提出了支持服务迁移的资源预分配方法。基于服务需求的时空特征,采用深度时空残差网络（Deep Spatio-Temporal Residual Network,ST-Res Net）对服务需求进行预测。根据预测结果,采用改进的强度帕累托进化算法（Improving the Strength Pareto Evolutionary Algorithm,SPEA2）,实现负载均衡与服务时延权衡的资源预分配方法,保障服务的资源供给。（2）针对服务迁移时用户的移动性带来的不稳定性,提出了基于深度强化学习（Deep Reinforcement Learning,DRL）的服务迁移方法。该研究方法首先基于资源预分配后的MEC环境,构建服务间具有多依赖关系的服务迁移模型。由于MEC体量大,考虑到维度灾难,本方法采用深度Q网络（Deep Q-Network,DQN）,并结合实际应用场景,在充分考虑用户移动性约束的情况下,实现服务延迟和能量消耗的联合优化。