为了应对物联网（Internet of Things,Io T）应用巨大的计算需求与Io T设备受限的计算能力之间的矛盾,边缘计算技术被广泛地应用于物联网中,通过将计算任务迁移至边缘服务器进行处理,缓解了Io T设备的负载压力。但随着机器学习等技术与物联网的融合,任务处理的时延要求日益严格,面对计算量大且数量众多的计算任务,如何设置任务迁移方案从而高效地处理计算任务成为了亟待解决的问题。因此,本文以提高任务迁移效率为目标,研究任务迁移的优化方法,主要研究内容如下:在不可切分计算任务的迁移过程中,针对因计算资源分布不均衡、Io T设备运行状态时序变化而导致迁移效率降低的问题,本文使用分布广泛且具有一定计算能力的端设备处理Io T设备的计算任务,提出一种端设备辅助的时序任务迁移优化方法。首先,依据历史数据抽取Io T设备对计算任务的兴趣,通过分析兴趣的时序变化趋势,感知网络中可用的计算资源;其次,建立波纹网络分析Io T设备间的社交行为,根据时序变化的社交关系筛选最佳匹配的候选端设备;最后,综合考虑边缘服务器的负载状态与任务迁移的系统收益,提出基于时序社交相似度的计算资源分配算法从而生成云边端协作的任务迁移决策。实验结果表明,所提优化方法能均衡计算资源的分布状态,提高任务迁移效率。在可切分计算任务的迁移过程中,计算任务被切分为彼此关联的子任务,子任务可被迁移至不同的边缘服务器内进行处理。针对因子任务间时序依赖、边缘服务器负载动态变化而导致迁移效率降低的问题,本文提出了一种基于负载预测的任务切分迁移优化方法。依据子任务间的执行次序,建立一种时序任务切分模型从而将子任务间的时序依赖关系转化为迁移过程中的时序限制条件。在此基础上,以数据传输时延与计算资源使用效率为优化目标,将任务切分迁移的优化问题建模为双目标规划问题。为了解决此问题,构建负载预测模型感知边缘服务器的负载变化趋势,结合负载预测结果提出一种基于拍卖机制的计算资源分配策略,通过双向分析计算资源的分配过程从而对优化问题进行求解,生成符合优化目标的迁移决策。实验结果表明,所提优化方法能降低子任务间的数据传输时延,提高任务切分迁移的效率。