随着人工智能及物联网等技术的快速发展,智能设备以及诸多新型应用已大规模普及。而智能终端设备受限于自身电池容量与计算资源,难以承载计算密集型任务的需求。移动边缘计算（Mobile Edge Computing,MEC）通过将MEC服务器部署于边缘端向设备提供计算资源,弥补了上述不足。但大型的MEC系统仍然存在性能瓶颈,需要合理的制定任务卸载与资源分配方案。目前针对移动边缘计算任务卸载及资源分配的研究所面向的场景较为有限,忽略现实场景所具有的特点,诸如任务本身在时间维度上的动态性,终端设备位置上的变化以及场景中信道的时变衰弱等。基于当前研究场景的不足,本文对移动边缘计算任务卸载及资源分配的研究场景进行了丰富,主要有以下几个方面的工作。（1）基于对任务动态性的考量,提出并构建了动态任务场景下任务卸载及资源分配模型,并设计了一种基于自适应选择的双向邻域搜索算法（Bidirectional Neighborhood Search Algorithm based on Adaptive Selection,BNSAS）予以求解。同时,基于泊松分布对任务的产生状态进行了模拟,仿真实验表明了BNSAS对动态任务以及单批次任务处理的有效性。（2）基于对终端设备动态性的考量,提出并构建了设备移动场景下任务卸载及资源分配模型,并在BNSAS算法基础上,提出一种融合位置信息的BNSAS算法,即BNSAS-ILI（BNSAS Intergrating Location Information）,算法基于设备的位置信息设计了不同的邻域搜索算子以提升算法在该模型下的搜索能力。仿真实验显示了BNSAS-ILI以及其基于位置信息的邻域搜索算子的有效性。（3）基于对MEC网络中信道衰弱的考量,提出并构建一种时变衰弱信道场景下的任务卸载及资源分配模型。在该模型中利用无线充电技术为终端设备供能,支撑设备计算与卸载任务。同时,设计了一种基于LSTM的深度强化学习算法,即DR-LSTM（Deep Reinforcement Learning Algorithm based on LSTM）求解该模型。仿真实验表明该算法可以有效的求解时变衰弱信道场景下任务卸载及资源分配问题。