随着无线通信和物联网的高速发展,移动设备数量急剧增长,数据流量呈现爆炸式增长。各类新型应用也层出不穷,比如增强现实、无人驾驶和虚拟现实（Virtual Reality,VR）等,其中VR更是有望成为第五代移动通信技术（5th Generation Mobile Communication Technology,5G）杀手级应用。这些应用都对设备的计算能力提出了更高的要求。然而,移动设备的计算能力和电池容量十分有限,这些应用的运行会带来较高的计算延迟及能耗。移动边缘计算（Mobile Edge Computing,MEC）的出现为解决这些问题提供了新的途径。移动设备通过将这些新型应用程序卸载到计算资源相对丰富的MEC服务器上执行,可以有效降低计算任务的执行时延和能耗,提升用户体验。但MEC技术也带来了很多挑战,其中计算任务的卸载问题尤为突出。一个高效的计算卸载策略可以提升用户体验以及MEC中各维度资源的利用。因此如何根据现有复杂的网络环境、有限的且动态变化的各维度资源（比如计算资源、通信资源等）来制定高效的计算卸载策略具有至关重要的意义。本文针对多用户多MEC服务器系统下的计算卸载问题展开研究。主要工作以下:（1）研究多用户多MEC服务器系统下面向VR应用的动态计算卸载问题。首先,基于5G MEC异构网络,综合考虑计算资源和通信资源动态变化、随机任务到达、任务缓冲队列及用户的移动性等这些实际情况,将该问题以时延为优化目标建立数学模型。然后考虑到集中式的计算卸载算法有随着用户数量增多而面临维度爆炸、运算效率降低的缺点。因此将该计算卸载问题建模为部分可观测马尔可夫决策模型,并采用多智能体深度确定性策略梯度算法（Multi-Agent Deep Deterministic Policy Gradient,MADDPG）来解决该问题。该算法集中式训练、分布式执行,可以根据各维度资源和用户位置的变化情况,动态制定各个用户任务的卸载策略,从而降低所有用户任务的时延。最后进行实验仿真,通过与其他几种基线算法对比,验证了本文提出的卸载算法可以在不同的系统状态下做出更好的卸载策略,更好地降低任务的时延。（2）研究多用户多MEC服务器系统下考虑了服务器负载均衡的自适应计算卸载问题。首先,将该问题以时延、能耗和负载均衡为目标建立了数学模型。然后考虑到在计算卸载过程中,每个用户需要同时做出离散变量的卸载决策和连续变量的计算资源分配决策这一混合动作。其中,针对连续变量的计算资源,常用的做法是将其离散化,但这会导致性能变差。因此本文提出了针对混合动作空间的多智能体混合循环近端策略优化算法（Multi-Agent Hybrid Recurrent Proximal Policy Optimization,MAHRPPO）来解决该问题。最后通过仿真实验与其他几种基线算法对比,证明该算法在优化时延、能耗和负载均衡方面具有更好的效果,且鲁棒性更强。