图像处理、智能交通、增强现实与自动驾驶等复杂新兴应用对网络数据处理能力、时延和可靠性提出了更高的挑战。移动边缘计算(Mobile Edge Computing,MEC)在靠近智能设备的网络边缘部署云计算与存储资源,为网络提供泛在计算服务,满足新兴应用对时延、可靠性以及连接密度的需求,是第五代移动通信(The Fifth Generation Mobile Communication,5G)的关键技术之一。能效和负载均衡是移动边缘计算的关键研究问题,决定边缘计算网络数据处理能力与用户体验。本论文分别从边缘计算能效和负载均衡展开研究。针对能效问题,本文分别在单小区与多小区场景中提出了动态环境中多用户在线学习资源管理方案,最大化能量受限移动设备与网络的能效。针对负载均衡问题,本文考虑边云协同框架,分别提出了边缘和云端服务器间计算与存储任务的在线分布式负载均衡方案,根据任务特性与网络负载自适应优化任务处理决策,整合边缘计算就近服务与云计算处理能力的优势。本文主要工作和创新点如下:在单小区边缘计算能效研究中,针对动态无线信道环境中基站仅可获取非实时设备信息的挑战,提出了基于混合在线学习框架的高能效资源管理方案,分布式地在用户端本地优化实时任务处理决策以及在基站侧进行预测性计算卸载调度。提出方案利用拉格朗日对偶原理,将机器学习中的随机梯度下降法和在线凸优化方法融合在主对偶优化框架中,实现分布式混合在线学习,增强网络可扩展性,并最大化用户时间平均总体能效。提出方案被证明具有渐近最优特性,且基站侧非实时设备信息引起的性能损失将随学习步长减小而渐近消失。在多小区边缘计算能效研究中,针对边缘服务器与移动设备在计算和无线传输能力的不一致特性,提出了基于分布式在线学习的高能效资源管理方案,分布式优化各边缘服务器与移动设备的任务卸载、任务处理与结果返回决策,最大化网络整体时间平均能效。提出方案通过随机梯度下降法将各优化变量在时间上解耦,并对解耦问题进行重构,统一各节点传输能力,转化为图论中多点匹配问题。该问题可在各节点以线性时间复杂度进行分布式近似求解,近似的性能损失被证明可随学习时间的增长而渐近消失。在边云协同计算负载均衡研究中,针对物联网设备数据分析应用,提出了大规模边云网络中基于李雅普诺夫优化的分布式在线协同计算方案,以最小化网络整体时间平均能耗。到达的数据可根据任务负载与链路条件自适应卸载至各服务器进行预处理操作,并将预处理结果传输至云端数据中心进行存储与分析。考虑到物联网设备存储空间十分紧张,提出方案根据网络拓扑、链路条件与服务器处理能力为各网络设备设计虚拟队列偏置,保证李雅普诺夫优化方案的运行。物联网设备虚拟队列偏置设计问题可转化为分层图中的最短路问题,并通过贝尔曼福特算法进行分布式求解。提出方案能显著提升网络数据处理能力,并降低数据服务的端到端时延。最后,在边云协同存储负载均衡研究中,针对移动数据缓存分发应用,提出了基于在线学习的分布式文件分发方案,并优化缓存协作域划分,将文件分发限制在对应协作域内,避免缓存请求的无效分配,降低网络服务时延。提出方案通过随机梯度下降将优化变量在不同时间解耦,在线优化文件请求分配、缓存处理和文件分发决策,最大化时间平均网络效用,并根据网络拓扑结构和请求到达推导各边缘服务器数据队列的上下界,以分布式构建协作缓存区域。提出方案可与现有的缓存策略联合使用,实现高效的缓存部署与文件分发,提升移动边缘计算用户体验。