随着移动通信技术的不断发展,接入到互联网中的无线设备数量越来越多,例如手机、传感器、车辆、机器人等,它们产生了许多计算密集型且实时性要求高的应用,如在线游戏、模式识别、自动驾驶等。但无线设备自身受物理尺寸大小的限制,只拥有有限的计算资源和电池容量,无法同时满足应用实时性和设备低能耗的要求。另外,云服务器拥有强大的计算能力,然而无线设备和云服务器物理距离遥远,应用数据在传输过程中存在较大延迟和环境干扰问题,不能满足应用的实时性需求。针对以上问题,移动边缘计算（Mobile Edge Computing,MEC）将云服务器的计算能力转移到网络边缘,在物理位置上更接近无线设备,无线设备将部分任务卸载到MEC服务器执行,以实现低延迟、高带宽和低能耗,为用户提供极佳的服务体验。如何在MEC中高效地协同无线设备和边缘服务器进行任务处理是一个重要的研究方向,其中任务调度是核心问题,决定了系统性能和用户服务质量。针对MEC中的任务调度问题进行深入研究,从用户的任务计算卸载和MEC服务器的负载均衡两个侧重点出发,进行了以下两个方面的研究工作:首先,针对MEC中的任务计算卸载问题,构建了一个多用户多任务多边缘服务器的MEC场景,基于该场景综合考虑了任务计算卸载的延迟和能耗,以最小化系统开销为优化目标。为解决该优化问题,提出了一个基于多智能体强化学习的在线计算卸载算法（Multi-Agent Online Offloading Algorithm,MAOO）,将每个无线设备作为一个智能体,有效地降低了状态空间和动作空间的复杂度,同时引入了无线设备间的协同优化机制,确保环境的稳定性,提升算法收敛速度。实验仿真结果表明,MAOO在降低系统开销方面较其他基准算法有明显优势。其次,针对MEC中的边缘服务器负载均衡问题,考虑以边缘容器的形式运行任务,实现依赖分离,资源隔离,便于根据系统负载状况,在MEC服务器上进行任务迁移和部署,同时以多个维度的资源（CPU、内存和网络带宽）状况作为系统负载的衡量指标,为避免系统出现热点问题,以最小化系统平均负载作为优化目标。基于上述问题,提出了一种基于深度强化学习的负载均衡算法（Edge Container Load Balancing,ECLB）,来实现系统负载均衡的优化目标。此外,为了提高算法对动作空间的探索度,引入了一种基于k近邻算法的动作生成机制。实验仿真结果表明ECLB算法能够根据多维度资源的需求和使用情况,有效地降低系统平均负载。