近年来,第五代通信技术（The 5th Generation Mobile Communication,5G）日益成熟,物联网（Internet of Things,Io T）的部署规模与日俱增,其技术及应用领域也历经了革命式发展,并催生了计算范式的显著演变。随着通信网络传输速率、部署密度及频谱效率的提高、智能设备和低时延应用程序的普及以及终端数据量的增长,集中型计算范式的局限性逐渐凸显,也为去中心化计算范式开辟了新的研究视角。多接入边缘计算（Multiaccess Edge Computing,MEC）是其中的一个典型范例。目前对MEC的研究仍处于早期阶段,尚存在一些科学问题有待解决。一方面,针对异构网络下用户设备密集部署、资源请求量大的特征,需要考虑计算资源及信道资源联合优化问题;另一方面,针对移动场景下的用户动态应用场景,需要通过制定科学有效的边缘服务迁移策略以改善服务质量（Quality of Service,Qo S）。因此,本文针对边缘计算任务卸载及服务迁移策略展开研究,主要工作内容如下:1)针对异构Io T应用场景,为保证计算效率的同时最大程度提升计算过程中的能效,提出了两级边缘节点（Edge Nodes,ENs）中继网络模型,并设计了一种计算资源及信道资源联合优化的最优能耗卸载策略算法（Optimal Energy Consumption Algorithm,OECA）。首先,将MEC中的能效建模为0-1背包问题;其次以最小化系统总体能耗为目标,系统自适应地选择计算模式和分配无线信道资源;最后,在Python环境下仿真验证了算法性能。仿真结果表明,相比于基于有向无环图的卸载策略算法（Directed acyclic graph Algorithm,DAGA）,OECA可将网络容量提升18.3%,能耗缩减13.1%。2)针对车联网（Internet of Vehicles,Io V）应用场景,考虑城市2-D十字路口的智能网联汽车（Intelligent Connected Vehicle,ICV）边缘服务迁移最优化问题,设计了基于强化学习（Reinforcement learning,RL）算法的边缘迁移策略。首先,通过提取边缘网络下的ICV与RSU的联合状态,将迁移过程最优Qo S问题拟合为马尔科夫过程（Markov Decision Process,MDP）最优解问题;其次,对于联合状态,采用注意力机制构建其状态价值模型、动作集及奖励函数;进一步地,通过Q-learning智能体对状态价值模型进行训练,得出其动作集与奖励函数的映射关系;最后,通过对比实验发现,基于RL算法的边缘迁移策略相较于贪婪算法,能够提升Qo S约5.2%。