作为5G网络中的关键技术,移动边缘计算通过将资源部署到网络边缘来提升网络性能。在移动边缘计算中,网络服务可以部署到边缘服务器上来降低服务时延。由于用户的移动性,服务需要不断地迁移到更合适的边缘服务器上以维持低时延。目前,单用户服务迁移已有较多研究,而多用户服务迁移的研究刚刚起步,且面临着如下挑战。受边缘服务器的资源限制,多用户之间的迁移决策会相互干扰。此外,迁移决策需要考虑未来的系统状态,如用户位置等。然而,随着用户的增多,预测未来的系统状态的准确性无法保证。为了解决以上问题,本文研究了移动边缘计算中的多用户服务迁移,主要工作总结如下。本文首先研究了异构密集蜂窝网络中的多用户服务迁移。用边缘服务器上的存储容量限制来量化用户间的干扰,并将服务迁移过程描述为一个在边缘服务器能量限制下最小化平均服务时延的混合非线性整数规划问题。针对该问题,提出了一种面向服务体验的多用户服务迁移算法。该算法利用李雅普诺夫技术将原问题近似分解为一系列每个时刻每个服务的迁移决策子问题,并且解耦了用户间的干扰、避免了对所有用户的轨迹进行预测。本文也对该算法的性能进行了严格的理论分析。随后,本文研究了端边协作网络中的多用户服务迁移。端边协作网络指的是部分端设备作为边缘服务器为用户提供服务。为了保证系统的可用性,服务器部署在公交车这类有着较为固定的路线、资源较为丰富的端设备上。端设备服务器的移动性使边缘网络拓扑结构动态变化,难以进行迁移决策。本文把该场景下的多用户服务迁移过程描述为一个资源限制下最小化平均服务时延的混合非线性整数规划问题,并提出了一种干扰和未来时延感知的多用户服务迁移算法。该算法基于隐式马尔科夫模型预测未来一段时间的时延,并引入干扰标度来度量用户之间的干扰。在此基础上,原问题近似分解为一些列每个时刻每个用户每个服务的迁移决策子问题,并成功求解。本文对所提的两种算法进行了一系列实验验证。结果表明,两种算法在各自场景下平均服务时延分别提升了9.1%和8.0%,并随着用户数量的增多表现出更好的性能。本文所提出的多用户服务迁移算法有望应用于多种移动边缘计算场景,如车辆网等,从而有效提升用户服务体验。