目前学术上已积累了许多关于移动边缘计算环境下任务卸载方法研究,但仍存有不足之处。一方面,目前的研究工作主要以最小化平均时延或最小化整体时延为优化目标,忽略了不同任务差异化的时延需求,导致大量任务无法按时延约束完成;另一方面,针对用户移动性造成的用户服务质量（Quality of Service,QoS）下降问题,当前研究只考虑如何通过迁移或者动态卸载提升QoS,而忽略两者之间相互依赖的关系以及对QoS的共同影响,并且也是以最小化整体时延为主,难以取得较好的QoS保障效果。针对上述研究的不足之处,本文将研究移动边缘计算环境下面向用户差异化需求的任务卸载方法,考虑用户差异化的时延需求与用户移动性的影响,尽力促使任务按时完成,从而提高用户QoS。本文将从用户QoS感知和用户移动性感知两个维度,解析深度强化学习在任务卸载问题中的应用,并且递进式论述其有效性,具体如下:（1）用户QoS感知的任务卸载方法研究针对用户差异化的任务时延需求,突出每个任务的时延要求对其卸载决策的影响,本文将对用户QoS感知的任务卸载问题进行研究,提出基于深度强化学习的多用户任务卸载决策算法,将当前环境信息和任务完成情况转化为强化学习的基本要素,引导智能体完成最大化任务完成数的目标。仿真实验中,该算法在任务完成数这一指标上优于基准实验。（2）用户移动性感知的任务卸载与迁移方法研究用户移动可能导致任务迁移或跨区服务,从而造成时延增加,严重影响了用户的QoS。本研究将在上一研究点的基础上,针对用户移动性造成QoS下降这一问题,研究用户移动性感知的任务卸载方法,以实现在用户移动环境下兼顾用户时延差异化需求,并提出基于深度强化学习的多用户任务卸载与迁移决策算法,将当前环境信息和任务完成情况转化为强化学习的基本要素,引导智能体做出任务是否卸载或迁移以及迁移至何处的决策,完成最大化任务完成数的目标。实验采用真实的人类移动轨迹数据,证明了该算法在任务完成数这一指标上的有效性。通过用户QoS感知和用户移动性感知两个角度,本文将具体阐述任务卸载与迁移问题和使用深度强化学习抽象建模的过程,提出基于深度强化学习的决策算法,为未来移动边缘计算任务卸载的研究提供借鉴。