随着物联网（Internet of Things,Io T）技术和第五代移动通信（The Fifth Generation Mobile Communication,5G）技术的快速发展,海量的计算密集型和时延敏感型任务随之产生,给移动边缘计算（Mobile Edge Computing,MEC）系统带来了高负载和高时延等问题。如何将任务向边缘服务器高效迁移卸载,从而提升用户体验质量（Quality of Experience,Qo E）,是移动边缘计算需要解决的关键问题之一。本文将移动边缘计算与深度强化学习理论相结合,对移动边缘计算中任务迁移卸载进行了研究。本文主要研究工作如下:1.在多用户和多MEC服务器的异构网络场景,本文提出了一种基于深度强化学习DQN（Deep Q-Networks,DQN）的任务协同迁移卸载方法,缓解了系统高能耗和高时延的问题。通过采取在MEC服务器之间进行任务协同迁移卸载的措施,以最小化系统平均成本为目标,并结合深度强化学习理论,将任务的迁移卸载决策过程构建为马尔可夫决策过程（Markov Decision Process,MDP）。此外,为了改进算法中长期代价的估计,该方法进一步结合竞争体系网络结构（Dueling Network Architecture）、DDQN（Double Deep Q-Networks）技术和优先经验回放机制。仿真结果表明了所提方法能有效减少MEC服务器集群的能耗和时延。2.在单用户和多MEC服务器的异构网络场景,本文提出了一种基于深度强化学习Rainbow DQN的任务迁移卸载方法,缓解了由于用户移动性导致用户体验质量下降的问题。首先以最大化用户体验质量为目标,根据用户移动模式来进行任务迁移卸载。通过结合深度强化学习理论,确定任务迁移卸载过程中的状态、动作以及奖励,并经过模型的学习和训练使代理能够根据用户移动模式进行最优的迁移卸载决策。仿真结果验证了所提方法能有效提升用户体验质量。