移动互联网用户数量爆炸式增长,用户需求越来越难以满足,为此研究者们提出了移动边缘计算技术,但现有的网络资源优化方案面向的用户群体大多属于同一优先级。因此,在划分用户群体的优先级后,为确保主要用户任务的计算,同时尽可能保证次要用户的使用体验,本文针对双优先级的场景,设计了相应的卸载与资源分配策略。第一,设计了基于计算干扰比和内容流行度的并行神经网络算法。利用MEC服务器上各优先级任务被分配到的CPU频率,设立计算干扰比这一参数,使MEC在确保授权用户任务执行的同时,能够兼顾到非授权用户的服务体验。此外,以用户在传输、计算与缓存时的系统收益为切入点,讨论了单节点双优先级MEC系统的传输、计算与缓存模型,将系统模型建模为一个带整数规划的非线性优化问题,设计了基于计算干扰比和内容流行度的并行神经网络算法对问题进行求解,提升了MEC系统收益。第二,设计了一个半监督学习算法。建立一个任务队列,令用户的任务队列成为一个排队模型,使MEC服务器优先处理授权用户任务,确保授权用户的任务不被非授权用户任务干扰。此外,还针对MEC服务器对于非授权用户任务的处理方式,分别探讨了抢占式与非抢占式模型,并以用户在传输与计算时的系统收益作为切入点,讨论了单节点MEC系统的传输与计算模型,将模型建模为一个带整数规划的非线性优化问题,并参考ε贪心算法设计了一个半监督学习算法对问题进行求解,相比前一个算法降低了算法求解时延,且能够使得整个系统的收益达到最大。第三,设计了基于博弈论的最差响应时间资源分配算法。在边缘服务器上设置预留资源,确保非授权用户使用的同时,授权用户的卸载不受干扰。此外,本文从用户任务的时延开销为切入点,构建了一个带优先权的博弈论模型来求解卸载决策。最后利用任务的最差响应时间来为任务分配计算资源,还克服了MEC节点在利用集中式算法进行卸载决策与资源分配时,对用户信息的依赖。综上,针对移动边缘计算卸载决策与资源分配问题,本文设计了上述三种算法,对算法进行了服务模块实现,并分别对算法进行了仿真分析。实验证明,第一个算法的平均执行时延较大;第二个算法的平均执行时延明显降低;第三个算法执行时延极大降低,但牺牲了用户任务卸载的成功率。