移动边缘计算是一种新兴的体系结构,通过将云资源（例如存储和计算能力）部署到无线接入网络的边缘来增强移动云计算的能力。这为用户提供了强大而高效的计算、存储、能效、移动性、位置以及上下文感知支持。移动边缘计算支持各种需要超低时延的创新应用和服务。然而,在移动边缘计算任务卸载的研究中,高速运动的用户在进行计算任务卸载时会导致计算任务在系统中频繁迁移,从而引入额外的传输时延并降低用户体验。同时,在将移动节点作为移动边缘计算缓存服务器时,移动性以及缓存内容流行度未知都会对已有缓存策略造成影响,降低缓存的命中率。此外,用户移动使得其与移动边缘计算服务器的交互更加频繁,导致用户设备能耗变大,续航时间减小。本文针对上述挑战进行研究,主要做了以下三个方面的工作:针对道路上行驶的车辆用户将计算任务卸载到移动边缘计算服务器上可能导致的吞吐量下降、时延和能耗增加的问题,本文设计了一种新的后续计算任务卸载范例,它可以在公共汽车上部署移动边缘计算服务器,以提供额外的计算资源。在此基础上,为解决车辆用户将计算任务卸载到哪个移动边缘计算服务器的问题,基于深度强化学习理论,本文提出了一种具有先验知识的深度Q学习计算任务卸载方案,该算法能够通过学习使用户选择最适合的移动边缘计算服务器进行计算任务卸载。仿真结果表明所提具有先验知识的深度Q学习计算任务卸载方案具有更高的效率和性能优势。针对在公共汽车上部署移动边缘计算缓存服务器带来的移动性问题以及对于可缓存内容的流行度未知的问题,本文提出了一种基于多臂老虎机的移动边缘计算缓存策略。首先,将每个公共汽车缓存服务器作为一个智能体,不断地从附近用户的内容请求中进行学习,并在有限的缓存空间中更新缓存内容。在此基础上,结合内容流行的特点,加速公共汽车缓存服务器的学习效率,提高学习效果。仿真结果表明,所提出的基于多臂老虎机的移动边缘计算缓存策略既能够提高公共汽车缓存服务器的缓存命中率,也能够更好地适应动态变换的环境,相比传统的缓存策略,缓存命中率提高了 10%以上。针对用户移动使得其与移动边缘计算服务器交互频繁导致用户设备能耗变大、续航时间变短的问题,本文基于非连续性接收技术,提出了 一种移动边缘计算场景下低能耗的用户设备接收策略。该方案可根据流量的不同设置不同的模式,每种模式具有不同的非连续性接收配置,通过基站给用户设备发送节能信号,实现用户设备在不同模式下的转换,从而达到用户设备节能的目的。在此基础上,对于处于非连续接收唤醒状态的物理下行控制信道监控,用户设备可根据信道条件向基站上报用户设备辅助信息,辅助信息中包括用户设备首选的物理下行控制信道聚合等级。基站接收到信息后可以在相应的聚合等级上向用户设备发送物理下行控制信道信息,用户设备在该聚合等级下进行物理下行控制信道盲解码,降低了物理下行控制信道盲解码的次数。仿真结果证明了相比于传统非连续接收方案,本文所提出的用户设备节能方案能够更加有效地节能。