随着移动互联网的快速发展,无线终端的数量飞速增长,同时涌现了大量计算密集和低时延需求的应用。传统的移动云计算很难满足这些新出现的应用对时延的需求。而移动边缘计算（MEC）则通过将计算资源部署在网络边缘,使得计算服务更靠近用户端,所以计算任务卸载的时延显著减小,进而满足用户的时延需求。然而,MEC是通过无线网络为边缘设备提供服务的,由于无线频谱资源的稀缺性,在密集接入网络场景下,有限的传输带宽会成为MEC系统性能的瓶颈。为了提高MEC系统中无线资源的使用效率,非正交多址接入技术（NOMA）被引入,NOMA通过将同一时频资源分配给多个用户使用,从而提升系统容量和无线资源的使用效率。但NOMA的引入也使得用户分组、功率分配、无线资源以及计算资源的分配耦合起来,对MEC系统中的任务卸载问题的建模和求解带来巨大挑战。因此,本论文针对NOMA-MEC系统中的用户分组、无线资源分配和任务卸载决策展开了研究。本论文首先研究了无线设备移动性较低、慢变化信道场景下,多用户NOMA-MEC场景下任务卸载。我们将该场景下的任务卸载问题建模为一个以无线设备能耗和为优化目标,同时优化了无线设备的任务卸载量、无线设备的发射功率、用户的分组以及时隙的分配。由于该优化问题的非整数线性规划特性,本文将该问题解耦为两个子问题,首先设计了一种基于匈牙利算法的用户分组算法来进行用户分组,然后证明了当用户分组确定时,该能耗优化问题的凸优化特性。最后,我们通过数值仿真验证了本论文研究的模型和设计的算法的有效性。在此基础上,我们进一步研究了无线设备的信道动态变化且任务到随机到达场景下的任务卸载问题。在该场景中,无线设备会缓存随机到达的任务,且在每个时隙根据信道、队列长度、计算任务的排队时间等信息决策是否卸载计算任务或者在本地处理计算任务,从而尽可能降低无线设备的能耗。我们将每个无线设备的任务卸载决策问题都转化为一个马尔科夫决策过程,并使用多智能体强化学习来对无线设备的任务卸载问题进行分布式决策,从而使得无线设备的长期能耗最低。最后,我们进行了仿真验证,证明了本论文所设计的基于多智能体强化学习的算法的收敛性以及相对单智能体、随机的算法在能耗、任务卸载量方面的优越性。