随着人工智能、5G/6G等新兴技术的发展,自动驾驶、在线游戏、增强现实等计算和访存密集、低延时的应用在终端需求逐渐增多。然而终端设备的资源有限,难以满足上述应用的计算资源需求。而中心式架构的云数据中心与终端传输的核心链路易发生拥堵,难以支撑实时性需求。为此,在靠近用户的网络边缘执行计算的移动边缘计算被学者提出。目前学术界积极对边缘计算展开研究,其中大量工作关注任务卸载策略,然而往往研究的是准静态模型,忽略了用户的移动性特征。是否依据用户移动轨迹动态地迁移任务,在进一步提升用户服务质量时不可忽视。本文主要针对边缘计算中的任务迁移展开研究,具体研究内容如下:（1）针对边缘计算中的任务迁移问题,构建了多边缘节点与多移动用户的动态边缘计算场景,其中移动用户将其任务卸载到边缘节点后,动态地在多个边缘节点之间移动,移动用户的任务具有严格完成的截止时间。基于该场景,以在截止时间内完成的任务数最大化为优化目标。通过对场景的数学建模,证明该最大值优化问题是NP难的。为解决该优化问题,利用用户的移动性信息,分析原始优化问题的三种情形,定义迁移阈值,给出三种情形下的解决方案以及理论分析,以此为基础提出了一种分组迁移算法,即GM,最大化在截止时间内完成的任务数。仿真实验结果验证了分组迁移算法的良好性能,与其他基准算法相比能实现35%-75%的性能提升。（2）针对边缘计算中迁移能耗约束下的任务迁移问题,构建了多边缘节点与多移动用户的动态边缘计算场景,基于该场景综合考虑了用户的服务质量以及边缘节点的迁移能耗,以迁移能耗约束下所有任务的平均完成时间最小化为目标。为解决该优化问题,基于用户的移动性具有马尔科夫性的假设,将任务迁移问题建模为马尔科夫决策过程。提出了一种基于多智能体强化学习方法的任务迁移算法,在迁移能耗的约束下最小化所有任务的平均完成时间,分析了算法的收敛性。进行了大量仿真实验用于评估算法的性能,与其他算法相比,实验结果表明基于多智能体强化学习的任务迁移算法能降低30%-50%的任务平均完成时间。