移动智能设备数目大幅度增长,但移动智能终端具有CPU处理能力弱、电量低等局限性,难以支持计算密集型业务。为了提高移动用户的服务体验质量,同时缓解移动云计算造成的回传带宽消耗,雾计算是一个可行的解决方案,雾计算作为云计算的扩展,支持在网络边缘节点部署计算能力。网络功能虚拟化技术可以为雾计算环境提供更加高效、灵活和可扩展的网络功能服务,通过将网络功能从专用硬件设备迁移到通用服务器上,可以灵活地利用网络和计算资源,从而降低服务的部署成本和运营成本。本文针对雾计算网络中基于网络功能虚拟化的计算卸载性能优化进行研究,所做的研究工作和创新点主要包括:(1)在雾计算场景下,针对在线游戏应用,考虑到用户行为的不确定性,基于雾计算无线接入网络提出了一种概率型服务功能链模型,并将该问题建模为以成本最小化为优化目标的整数规划问题,为了降低算法复杂度,提出并仿真验证了一种启发式算法(PSECO);(2)针对人脸识别应用,考虑到用户具有移动性,且应用访问数据库的特性,提出了成本最小的边缘缓存放置优化和时延最小的计算卸载优化算法(CECF),将上述优化问题建模为两个子问题,即成本最小的边缘缓存放置优化问题(CPMC)和时延最小的计算卸载优化问题,其中CPMC属于动态、长期的优化问题。为了解决上述动态CPMC优化问题,基于Deep Q Network(DQN)算法,提出了集中式DQN(CQ)算法以及三个分布式增强学习算法,即基于本地状态的分布式DQN(LSDQ)、基于可观测状态的分布式DQN(OSDQ)和基于DQN的分布式值函数(QDVF)算法。针对所提算法进行了评估,仿真结果表明,分布式优化算法具有较好的性能。