移动网络与智能终端的飞速发展,催生云游戏、虚拟现实及图像识别等多元化计算密集型应用的接连涌现。但是,各类新兴应用的密集计算需求对移动智能设备任务计算能力提出巨大挑战。通过远端云服务器辅助移动智能设备执行密集计算型应用,移动云计算(Mobile Cloud Computing,MCC)技术在一定程度上可以应对上述挑战。然而,移动智能设备与远端云服务器的远程交互可能会导致极大的通信与计算延迟。针对MCC技术的不足之处,移动边缘计算(Mobile Edge Computing,MEC)技术通过在靠近移动设备的边缘网络中部署具有一定计算能力的MEC服务器,并支持MEC服务器帮助处理移动用户卸载任务,可有效降低智能终端用户任务执行能耗及延迟,改善用户服务质量。在MEC系统中,综合考虑用户任务特征及系统特性,制定合理的任务卸载与资源分配策略有助于提升用户任务执行效率。因此,本文主要针对MEC系统任务卸载及资源分配算法进行研究,具体包括以下内容:首先,本文简要介绍MEC基本概念、关键技术及相关应用领域,并分析总结多种MEC系统任务卸载及资源分配算法的现有研究。其次,针对部署卷积神经网络(Convolutional Neural Network,CNN)的多层协作MEC系统,本文以满足CNN层调度、任务卸载、资源分配、任务可容忍的最大执行时延及最小传输速率等限制条件为前提,将协作计算系统任务卸载、CNN层调度及资源分配联合优化问题建模为所有用户任务执行总时延最小化问题。由于上述问题属于非凸混合整数非线性规划(Mixed Integer Non-Linear Programming,MINLP)问题,难以直接求解,本文首先将原优化问题转换为CNN层调度子问题、任务卸载子问题及资源分配子问题,进而依次使用泛搜索算法、重构线性化技术(Reformulation-Linearization-Technique,RLT)和拉格朗日对偶法连续求解上述三个子问题,最终确定任务卸载、CNN层调度及资源分配联合优化策略。再次,针对用户任务随机到达的动态MEC系统场景,在满足任务卸载、功率分配、传输带宽分配、计算资源分配、任务缓冲队列长度有限性以及用户任务平均时延等约束条件下,本文以优化所有用户任务长期平均功耗为目标,建模联合任务卸载及资源分配问题为所有用户任务长期平均功耗最小化问题。由于上述问题属于随机动态规划问题,采用传统优化方法难以直接求解。本文首先基于李雅普诺夫优化算法将原问题转化为单时隙静态优化问题,进而将该问题分解为任务卸载子问题与资源分配子问题,并依次采用库恩-芒克勒斯(Kuhn-Munkres,K-M)算法和闭式资源分配方案确定任务卸载及资源分配策略。最后,总结本文主要研究内容,分析本文可进一步拓展的研究方向。