随着社会的不断进步,科技的不断发展,物联网移动设备（Mobile Device,MD）正在以指数级的数量不断增长。虽然目前移动智能设备不断更新迭代取得了很大的进步,但面对计算密集型与时延敏感型应用仍面临自身计算能力不足、电池寿命短和能量消耗过高等缺陷。移动边缘计算（Mobile Edge Computing,MEC）技术能够通过把计算能力较低的物联网设备上的本地计算任务卸载到计算能力较强边缘服务器上完成任务计算,从而实现减少任务计算时间、降低物联网移动设备能耗的效果,受到了广泛关注。本文研究了MEC技术的协同卸载技术,利用MD周围的邻居设备作为中继,辅助实现计算任务卸载,联合利用了本地MD、中继MD和MEC服务器的计算资源,实现了计算任务的整体计算能耗的最优,为MEC系统的协同卸载研究提供了一定的经验参考。论文首先研究了单中继协同卸载方案,场景由一个本地MD、一组相邻的MD和多个无线访问节点（Access point,AP）组成,每个AP都部署了一台MEC服务器,提供丰富的计算资源。其中一个邻居MD可以通过终端直通（Device-to-Device,D2D）通信链路作为本地MD计算任务卸载的中继节点（Relay Node,RN）。基于该场景,提出了一种时延约束下的能量最小化协同卸载方案。本地MD可以将一个计算任务的部分任务段卸载给协作RN或AP,RN也可以将部分任务段卸载给AP。通过凸优化方法求解计算时延约束下的能量最小化协同卸载问题,确定了协同卸载的资源分配方案、RN和AP的选择以及任务段分割。仿真结果表明,与仅本地计算方案相比该方案的能量消耗降低了90.3%,支持的最大任务长度提升了83%。与直接卸载方案相比该方案的能量消耗降低了82.13%,支持的最大任务长度提升了52.9%。随后,研究了基于深度强化学习的多中继协同卸载方案,建立了一个本地MD、多个RN和多个AP组成的边缘计算场景。本地MD可以将一个计算任务的部分任务段分别选择一个RN协助卸载,RN可以继续将任务段卸载到AP的MEC服务器进行计算。基于这个场景提出了在计算时延下约束条件下的能耗最小化问题并使用深度强化学习方法求解。仿真实验验证了算法的收敛性。所提出的多RN协同卸载方案与基准方案一、二、三相比,该方案的能量消耗分别降低了94.15%、89.18%和39.72%。