随着物联网的快速发展和4G/5G无线网络的普及,万物互联的时代已经到来。泛在的边缘设备带来了更高的数据传输带宽需求,同时,增强现实、自然语言处理和虚拟现实等时延敏感应用对数据处理的实时性提出了更高的要求。但是移动设备的计算资源、存储资源和电能有限,并不能满足各种计算密集型应用的需求,边缘计算下的任务卸载技术作为一种有效的解决方案应运而生。为了提高移动设备用户的服务体验,在执行任务卸载时制定高效、合理的卸载策略是目前的主要研究方向。本文针对边缘网络环境下的多用户多任务场景,基于连续双向拍卖机制描绘出用户请求资源、边缘服务提供商出售资源的交易过程,提出了基于连续双向拍卖机制的边缘计算实时任务卸载策略和批处理任务卸载策略。首先,提出了基于连续双向拍卖机制的边缘计算实时任务卸载策略,以适用于对实时性要求高的卸载任务。通过使用连续双向拍卖机制确定了多用户多任务的资源分配模型,刻画出用户侧和边缘服务器侧的满意度曲线。接下来提出以最大化双方总满意度为目的的实时任务卸载策略,利用候选卖家选择算法筛选出出售价格低于买家期望最高花费的卖家集合,最后使用基于遗传算法的资源预留算法,求解出每个卖家出售给用户的资源块数量。并通过仿真实验进行验证该算法可以显著优化系统效用,在资源利用率方面具有明显优势。其次,提出了基于连续双向拍卖机制的边缘计算批处理任务卸载策略,以适用于对时延不敏感,但要求高精度、细粒度的拥有大容量静态数据的卸载任务。通过把移动设备卸载任务到边缘服务器虚拟机中执行的网络场景转化为二部图结构,提出了任务—虚拟机映射模型。为了解决系统任务执行并发性低、边缘服务器侧存在着公平性差异的问题,进一步提出了基于堆栈的缓存机制。最后,从仿真中证实了算法在任务处理速度、系统效用、虚拟机侧的公平性等方面具有明显的优势。总之,本文研究了基于连续双向拍卖机制的边缘计算实时任务卸载策略和批处理任务卸载策略,旨在提高用户和边缘服务提供商满意度的同时,提供给用户高质量的服务体验。