移动边缘计算(Mobile Edge Computing,MEC)技术,通过将MEC服务器部署在网络边缘侧,利用其丰富的计算资源,可以为不同类型用户提供数据处理服务,提高用户的服务体验质量,是5G网络关键技术之一。边缘计算服务器的地理部署位置一般位于接入点或基站侧,受硬件成本等因素的影响,服务器的计算资源是有限的,所能服务的用户数量也是有限的。并且,服务器由于覆盖范围较小,其提供服务所获得的总效益受用户移动性的影响较大。因而,在服务器资源受限的情况下,如何基于用户的移动性设计有效的任务卸载策略和资源分配策略以实现系统总效益最大化,是本文研究的主要内容。由于用户的移动性以及边缘计算服务器的覆盖范围有限,卸载到服务器的任务数据在被处理完成前,用户可能已经离开边缘计算的服务范围。此时,任务结果无法直接回传给用户,需要通过宏基站或云服务器等方式传输到目标服务器,再传给用户,这个过程称为任务迁移。迁移的过程会造成额外的时延以及资源开销,影响系统总效益。针对上述问题,本文首先讨论了边缘计算在车联网中的应用,并对任务卸载与迁移问题进行了研究。通过对车辆行驶路线的分析,推导出车辆在单个服务器覆盖范围内的行驶时间。通过优化任务卸载以及计算资源分配策略,避免任务迁移,最大化系统总效益。由于原问题是一个NP-hard问题,因此本文对其进行了拆分,分解成任务卸载和计算资源分配两个子问题,分别提出基于基尼系数的任务卸载算法,以及基于拉格朗日乘子法的资源分配算法用来解决该问题。仿真结果表明,本方案有效地避免了任务迁移,降低任务处理时延和能耗,提高系统总效益。其次,针对携带移动设备的普通用户,本文提出了一种基于移动感知的边缘计算任务卸载与迁移策略。利用用户停留时间的概率模型刻画用户的移动性,结合用户停留时间的概率密度函数,通过联合优化任务卸载决策和计算资源分配来降低迁移概率,最终使用户总收益的期望最大化。为解决该混合整数非线性规划问题,本文采用遗传算法来进行求解,来得到基于移动感知的任务卸载决策和资源分配策略。仿真结果表明,本文提出的方案可以有效地降低任务迁移概率,避免迁移造成的额外花费,从而提高了用户的总体收益。