近年来,随着移动通信及互联网技术的飞速发展,各类新型应用层出不穷,如智慧城市、车联网以及远程医疗等,这给当前移动通信网络的计算能力和存储能力带来了很大的挑战。同时,新型应用对时延要求更加严格,针对上述问题,移动边缘计算（Mobile edge computing,MEC）作为第五代移动通信（The fifth generation mobile communication,5G）中的关键技术之一而产生。MEC通过将计算资源和存储资源等下沉到更加靠近用户的网络边缘侧,为终端用户就近提供计算卸载服务。与传统云计算（Mobile colud computing,MCC）相比,将终端用户的计算任务卸载到MEC服务器中进行处理,不仅可以避免远距离的数据传输,同时可以减少任务处理时延,提高终端用户的服务质量。因此,如何在移动边缘网络中为每个终端用户制定合理有效的计算卸载策略便成为了重中之重。本文主要研究了移动边缘网络中的计算卸载技术。首先,针对多小区多用户场景中的移动边缘网络计算卸载问题,综合考虑了移动终端的卸载决策、用户间干扰、计算资源以及传输功率分配等因素,设计了一种基于深度强化学习的计算卸载和资源分配算法。该算法利用深度强化学习求解计算卸载决策问题,利用遗传算法求解资源分配问题,通过二者交替求解的方式获得最优解。仿真表明,与传统算法相比,所设计的算法可以在同等条件下有效减少系统任务执行总成本。其次,针对MEC和设备到设备（Device-to-Device,D2D）混合场景下的计算卸载问题,综合考虑网络边缘侧移动终端闲置的计算资源、任务优先级以及任务的排队等待时延等因素,设计了一种基于序贯博弈的计算卸载算法。仿真表明,与其他几种算法相比,所设计的算法拥有更快的收敛速度以及更低的任务执行能耗。最后,设计并实现了基于MEC的终端管控系统,搭建了一套由MEC服务器、LTE小基站以及若干终端设备组成的移动边缘网络测试环境。测试表明,该系统不仅可以实现对接入用户的通信和网络接入权限的管控,同时可以对终端任务进行卸载处理,实现网站访问的授权功能。