随着5G的落地及物联网的快速发展和应用,移动端设备及这些设备产生的数据都在呈爆发式的增长。一些新型的应用,如AR、VR、无人驾驶、工业互联网、远程医疗、智能家居等都对响应时延及数据安全性提出了新的要求。在此背景下边缘计算成为解决这些问题的关键技术之一,受到了越来越广泛的研究和关注。在如无人驾驶等地域范围较广的边缘计算应用场景中,边缘层是以服务器集群的形式存在,而非单个服务器节点。在移动端设备数量庞大且有大量的任务需要卸载的情况下,通过在移动端部署合理的任务卸载算法以实现边缘服务器集群的负载均衡仍然是当前研究的热点。在现有的文献中,经典的任务卸载算法如静态的轮询算法、MinMin算法和动态的最小连接数算法、蚁群算法等实现的都是浅层次的负载均衡。针对这个问题,本文提出了一种基于增强学习UCB1算法的任务卸载策略JD-UCB1以实现深层次的负载均衡。在设计具体的任务卸载模型及对问题完整定义的基础上,我们提出任务卸载中的资源分配问题,即服务器的选择问题,可归结为对边缘服务器的“探索”和“利用”的折中。因此,参考多臂赌博机（MAB）的UCB1算法,我们设计出了一种动态的JD-UCB1任务卸载策略。随后通过实验对其整体负载均衡性能及实时负载均衡性能进行了验证,并且通过和轮询任务卸载策略的对比,证明了其在稳定性、适应性、可扩展性等方面的性能更加优越。实验结果表明,将增强学习算法应用到任务卸载问题中,是实现深度负载均衡的一个良好思路。