随着智能信息化时代的快速发展,超密集计算服务极大的扩展了人工智能与机器学习的应用场景。为满足6G时代泛智能化场景中全域覆盖与全球通信设备大规模连接的宏伟愿景,星地融合网络（Satellite-Terrestrial Integrated Networks,STINs）以其覆盖范围广、不受地面环境约束、天地基础设施联合协作通信等特点,逐渐成为了信息通信网络的必然发展趋势。提升信息网络的计算能力,需要移动端算力的提升,更需要系统的算力协同与合理的控制架构,但是,星地融合网络具有复杂的结构组成,高昂的能耗开销以及卫星网络拓扑的不稳定性的难点。同时,在当前人工智能与机器学习的频繁应用下,大规模矩阵向量乘法是智能化网络服务的主要算力承载部分,如梯度学习下降算法等。本课题针对星地融合网络中运行大规模矩阵向量乘法任务时执行效率不足的瓶颈约束,采用并优化复制编码、最大距离可分码、以及无速率码等分布式编码计算方案,有效缓解星间/星地链路不稳定连接、卫星计算设备宕机、及系统资源频繁占用等因素造成的计算延迟过高、能耗开销过大等典型问题。主要的研究内容及贡献如下:针对编码计算相关基础理论进行详细介绍,为实际应用场景中具体方案设计与性能分析奠定基础。描述编码计算解决大规模矩阵向量乘法中存在straggler（慢节点）问题的原理。对于分布式计算中负载平衡分配方案、复制方案、最大距离可分码方案等线性编码方案,给出时延分析方法以及平均时延上下界。进一步分析无速率编码计算方案,分析典型LT码与负载平衡方案之间的逼近关系,并通过仿真对比不同方案的计算延迟性能,结果表明,无速率码方案能更有效的降低straggler影响。研究星地融合网络中利用分布式编码计算卸载策略实现计算任务的应用架构问题。论文建立星地融合网络模型和计算资源状态模型,准确刻画星地融合网络的计算特征,提出适用于在轨任务分配的编码计算方法,推导并分析基于端到端时延和能耗开销的系统成本函数闭合表达式,利用优化算法对任务进行合理分配,使系统通信能耗开销最小。针对星地/星间链路和星载计算资源的约束条件,进行星地网络协同计算的资源最优化部署研究。讨论各类编码参数和系统参数与时延-能量系统成本之间的定量关系。分析地面任务到达模型及星地网络通信资源模型,利用基于深度强化学习的智能决策手段,解决计算资源、系统参数、编码参数的实时优化,得到动态最优的星地计算资源调度方案,并对无速率分布式编码计算卸载策略进行仿真评估分析。