随着物联网（Internet of Things,Io T）技术的发展,越来越多的移动设备被接入互联网,但是移动设备存在着计算资源和电池容量有限的问题,无法处理计算量过大的任务。作为移动边缘计算（Mobile Edge Computing,MEC）的进一步扩展,雾计算网络（Fog Computing Network,FCN）将雾节点部署在网络的边缘位置来提供额外的计算和存储能力。这样移动终端可以选择将任务卸载给邻近的雾节点,从而降低任务处理时间及能耗,大大提高了人们对应用服务的体验质量（Quality of Experience,Qo E）。本学位论文围绕着雾计算网络中的资源分配算法展开研究,并分别提出了基于节点均衡分簇的资源分配算法（Balanced Clustering and Joint Resources Allocation Algorithm,BCJRA）,和基于多凸不等式约束交替方向乘子法（Multi-convex Inequality-constrained Alternating Direction Method of Multipliers,MIADMM）的分布式资源分配算法（MIADMM-based distributed resource allocation algorithm,MIADMM-DRAA）。本学位论文的主要工作如下:（1）提出了雾计算网络中的基于节点均衡分簇的资源分配算法。该算法主要分为节点均衡分簇模块和资源分配模块。节点均衡分簇模块充分利用了雾计算网络边缘行为的局部特征,综合考虑雾节点的计算资源、任务负载和地理位置,并定义了损失函数,采用基于K均值分簇的方法获得使损失函数最小化的分簇结果,令网络中的雾节点组成多个资源、任务负载和节点间距离均衡的簇。资源分配模块会在各簇内并行地优化任务卸载矩阵、计算资源分配矩阵和通信资源分配矩阵,降低簇内雾节点的最大时延和最大能耗,实现了雾计算网络中邻近雾节点间的协作。计算机仿真结果表明,在对雾计算网络进行节点均衡分簇后,有效降低了雾计算网络中资源分配问题的计算规模,减小了网络中的信息交互量,算法可以快速收敛,提出的BCJRA能够有效的降低各簇中雾节点的最大时延和最大能耗。（2）提出了雾计算网络中的基于MIADMM的分布式资源分配算法,该算法利用了雾计算网络分布式架构的特点,通过网络中雾节点间的协作实现了计算资源的分配,最小化网络时延和能耗。该算法基于排队论中的M/M/1队列模型对网络中的任务到达进行建模,推导了雾节点的时延和能耗,建立了最小化系统总开销的优化目标。该算法利用了MIADMM算法中变量交替优化可转为分布式执行的特点,根据网络中雾节点数量,将资源分配问题拆分为多个子问题,每个雾节点只求解其中的一个子问题,基站只起到了全局数据交换和广播的作用,从而降低了网络传输开销。仿真和分析结果表明,MIADMM-DRAA收敛速度较快,和现有算法相比,能够获得更低的网络开销。