移动边缘计算（Moblie edge computing,MEC）在处理一些新型的计算密集型或时延敏感型的任务时已经展现了其独有的优势。通过计算卸载及服务迁移,用户终端所产生的任务可以由边缘设备进行处理,从而打破了终端设备有限的资源与能量带来的限制。然而,MEC系统的异构性、无线网络环境的动态性以及终端用户的移动性等均给计算卸载及服务迁移策略的设计带来了很大的挑战。本文旨在通过对异构边缘网络中计算卸载及服务迁移算法的研究,降低异构边缘网络的整体资源消耗。在研究过程中结合MEC的异构性与密集性的特点对计算卸载及服务迁移策略进行设计,使得策略更具可实现性。本文首先介绍了计算卸载及服务迁移的研究和发展现状以及计算卸载及服务迁移策略设计的基本原理。分析了计算卸载及服务迁移的关系与流程以及实现计算卸载及服务迁移的基础技术。同时以强化学习为核心,介绍了计算卸载及服务迁移策略设计的基本原理,为后文的研究打下了基础。接下来,本文针对异构边缘网络中的计算卸载问题,设计了两种计算卸载方法。第一种方法基于贪婪思想,利用网络的全局信息,将用户产生的任务贪婪地卸载到引起最小系统效用的边缘设备上。虽然这种方法具备很好的性能表现,但是收集全局信息所需要的信令开销是不可忽视的。除此之外,当网络环境的变化较为剧烈时,收集到的全局信息并不能实时反映网络的真实情况,从而引起算法效果的下降。针对这种问题,我们又提出了一个基于强化学习的计算卸载方法。该方法不依赖对网络状态信息的收集,而是从历史行为中学习并做出决策。通过这种方式,在信令开销被极大降低的同时,算法性能也得到了保障。最后,本文针对计算卸载过程中由用户移动性以及边缘设备资源的相对有限性所引出的服务迁移问题进行研究,并设计了两种服务迁移方法。第一种方法仍然基于贪婪思想进行算法的设计,达到了很好的性能表现。但是同计算卸载一样,这种方法的信令开销也是较为严峻的问题。鉴于此,我们又基于强化学习方法设计了服务迁移的算法。与计算卸载不同的是,我们采用了强化学习中基于策略的手段,从而规避了计算卸载算法中基于值的手段里依赖超参数来控制探索-利用均衡的问题,并达到了与贪婪算法相比约95%的性能表现。