移动数据流量的爆炸式增长和计算密集型应用的蓬勃发展为移动通信网络的数据处理带来了极大挑战。为了应对这种挑战,移动边缘计算（Mobile Edge Computing,MEC）将原本位于核心云的服务和功能下沉到网络边缘,以实现从用户到MEC服务器的近距离计算卸载,从而满足计算密集型应用在低时延和高计算能力等方面的关键需求。然而,由于MEC服务器的资源有限,当用户请求超过了其服务能力时,MEC卸载很难满足所有用户的需求,此时可以引入基于设备到设备（Device-to-Device,D2D）通信的多用户协同计算方式以及云计算方式,来与MEC联合进行计算卸载。在MEC、D2D和云计算卸载方式共存的网络中,设计有效的计算卸载策略以达到提高用户收益和降低卸载代价的目标是研究中的关键。本文的主要工作如下:在单MEC服务器覆盖场景下,针对用户卸载请求较多时MEC可能出现过载的情况,引入D2D卸载来分担MEC的压力,并研究了D2D辅助MEC的任务卸载与资源分配策略。用户可以将任务分割后卸载至MEC服务器或一组服务用户进行处理。首先,为了激励用户参与卸载,设计了一种基于历史卸载关系的用户影响力评估机制,并定义了用户的社交收益函数。其次,结合卸载方式选择、任务分割、MEC计算资源分配和D2D用户选择,提出了最大化社交收益的优化问题。然后,为了求解该问题,将卸载方式选择过程建模为一个潜在博弈,并证明该博弈存在纳什均衡,在此基础上分别利用拉格朗日乘子法和贪婪策略解决了 MEC计算资源分配和D2D用户选择问题。最后,基于潜在博弈提出了 一个联合任务卸载与资源分配策略优化算法来获得原始问题的次优解。仿真结果表明,该方案相比基准方案能够有效提高用户卸载收益并降低任务完成时延。面向与特定应用服务关联的任务,例如云游戏、目标识别等,计算节点在执行这些任务时需要缓存对应的服务。在云与多MEC服务器覆盖场景下,针对缓存与卸载之间的相互影响关系,研究了 D2D辅助云边协同的缓存与卸载联合优化。首先,考虑MEC服务器、云计算中心和用户设备三种卸载辅助节点共存的方案,并对服务缓存、任务卸载和用户社交关系进行建模。其次,将卸载代价定义为任务执行时延与能耗的加权和,并以最小化卸载代价为目标构建服务缓存与任务卸载的联合优化问题。然后,分别解决了 MEC、云计算和D2D卸载方式中的计算资源分配、功率分配以及任务分割问题,在此基础上通过一个辅助节点选择算法来进行请求用户和辅助节点间的匹配。最后,设计了一个基于离散粒子群优化的缓存与卸载联合决策算法,该算法通过服务缓存与任务卸载的交替迭代优化获得原始问题的次优解。仿真结果表明,该方案可以有效降低网络中的总卸载代价,并在缓存和卸载决策方面均体现出相比基准方案的优越性。