随着智能设备、虚拟现实、物联网等新兴技术的出现,业务对计算的要求越来越高,终端无法在短时间处理大量的应用程序,此外终端的耗电也面临着严重的压力,为了解决这些问题,业界提出来移动边缘计算技术（MEC,Mobile Edge Computing）。MEC技术可通过计算卸载的方式将部分任务转移到边缘云服务器中进行处理,从而减少了移动终端的处理任务,大幅降低了业务的时延和终端的耗能,因此边缘计算卸载技术已经引起了人们广泛的关注。本文对移动通信网络中的边缘卸载技术进行了研究,针对多终端单边缘服务器的场景提出了基于遗传算法的总能耗优化算法,针对多终端设备多边缘服务器的场景,提出了基于非协作博弈的边缘卸载算法。本文主要研究内容以及创新点如下:（1）针对本地用户设备的部分计算任务卸载到边缘服务器处理的场景,提出了一种基于遗传算法的任务卸载比例、信道带宽和MEC计算资源的联合优化算法。该算法在无线传输资源和MEC处理资源受限条件下,考虑用户的公平性,建立了最小化用户任务完成时间的优化问题,采用遗传算法对问题进行求解,获得了最优卸载任务策略及资源分配方案。仿真结果表明,提出的算法能够有效地降低任务完成时间,并保证了用户的公平性。（2）针对多用户多MEC重叠覆盖场景,提出了一种计算、通信资源联合优化的卸载策略。在无线传输资源和MEC计算资源受限和任务完成时延满足最大容忍时间的限制下,建立了最小化所有用户能耗的优化问题,将其分解为卸载策略和资源分配两个子问题,分别采用博弈论和拉格朗日函数进行求解,最终获得了最优卸载任务策略以及资源分配方案,并对用户卸载策略博弈的纳什均衡以及资源分配的凸优化问题进行了证明。仿真结果表明,提出的策略能够有效地降低用户能耗。（3）针对计算任务卸载中的时延和能耗问题,提出了一种基于Q学习的任务卸载和资源分配联合优化算法。在应用程序的时延约束和设备的计算约束下,建立了移动终端能量消耗最小化问题。将该问题建模为马尔可夫决策问题,状态空间由每个子任务节点序列、信道环境、任务计算方式和子任务任务量大小构成,奖赏函数为在用户计算任务延迟要求下最小化用户设备能耗,动作为任务选择本地处理或卸载到某个边缘服务器处理,采用Q学习的方法进行求解,最终获得了最优卸载任务策略和资源分配方案。仿真结果表明,提出的算法在能耗和时延方面性能均有提高。