随着物联网智能终端设备的数量呈指数型增长,计算卸载(Computation Offloading)这一技术被广泛应用于物联网边缘计算(Edge Computing)中进行大量复杂的计算。根据计算结果的目标不同,计算卸载可以分为两种模式:以源为导向的计算卸载和以目标为导向的计算卸载。目前绝大多数研究都关注于前者,而对后者的研究却非常之少。因此需要一种适用于以目标为导向的计算卸载场景的技术方案。本文首先总结了当前以源为导向的计算卸载场景和国内外研究现状,引出了以目标为导向的计算卸载场景需求和研究意义。在以目标为导向的计算卸载系统架构中,针对时延敏感型应用服务,提出了一种分步式的边传边卸载的技术(Destination Driven Step-by-step Computation Offoading along the Route,DDSCOR),结合数据传输和计算卸载实现了计算任务的边传边卸载,从而降低从卸载源到卸载目标的整体时延。进一步对比分析了DDSCOR计算卸载技术相比于传统计算卸载技术带来的优势和创新。接着,在以目标为导向的计算卸载场景中,根据计算服务器信息交互方式的差异又可以分为完全信息和不完全信息的网络场景下的计算卸载策略。本文研究工作主要围绕DDSCOR计算卸载技术在以目标为导向的两个不同网络场景下具体的实现策略:(1)在计算服务器全局交互感知的完全信息网络场景下,提出了从卸载源节点到目标节点整体实现的静态计算卸载模型,将DDSCOR最佳计算卸载策略转化为以整体时延最小为最优化目标的求解。在证明该最优化问题是一个NPC问题后,提出了一种改进的蚁群算法(Ant Colony Algorithm)求得近似解。通过仿真验证,该算法能快速准确得到DDSCOR计算卸载的最小时延和卸载路径,相比于传统的计算卸载策略能达到执行时延的最优解。(2)在计算服务器局部交互感知的不完全信息网络场景下,提出了从卸载源节点到目标节点过程中每一分步实现的动态计算卸载模。将DDSCOR最佳计算卸载策略分解为每个参与分步计算卸载的计算服务器上,根据当前环境作出下一步最佳的执行动作,从而达到从源节点到目标节点分步卸载累计的时延和最小。由于该优化问题参数的变化,本文提出用强化学习(Reinforcement Learning)中的DQN(Deep-Q-Learning)算法进行求解。仿真结果表明该DDSCOR动态计算卸载策略能快速有效地降低整体执行时延。