随着互联网和通信技术的发展,移动通信网络承载的数据量呈指数增长的趋势,导致现有以云为核心的移动网络提供的服务无法满足用户日益增长的服务质量（Quality of Service,QoS）需求。由此,边缘式大数据处理应运而生,其核心思想是将计算能力下放至网络边缘,以减少数据传输至核心网造成的时延及能量消耗。因此,需要在网络边缘侧实现资源的高效管理机制,以服务用户请求。然而,现有基于数学迭代优化的移动边缘计算（Mobile Edge Computing,MEC）网络资源管理方案的静态性难以适应动态的网络变化,在一定程度上限制了网络性能,导致网络资源利用率低。为解决上述问题,需要引入革命性的资源管理技术,赋予移动边缘计算网络架构高效资源管理机制。机器学习作为实现人工智能的途径,近来受到人们的广泛关注。与传统优化理论注重显性关系表达相比,机器学习算法通过研究学习机制,从巨量数据中获取隐藏的、有效的、可理解的知识。而移动边缘计算网络中,本身就含有大量业务和环境的数据值得挖掘。因此针对上述问题,本文在现有移动边缘计算网络架构的基础上,对基于机器学习的资源管理技术展开研究。具体地,本文针对时变的业务需求,根据全局的网络状态信息,从整体上统筹无线资源和计算资源,提出机器学习与优化方法相结合的资源优化理论,以解决非线性、大规模、变化快的资源管理的新挑战,实现根据不同的业务特征定制化地分配资源,完成全局最优的资源分配,从根本上改变了现有资源分配的方式。本文具体的贡献及成果可以概括如下:1.提出单小区MEC网络中基于用户状态已知条件下的任务调度和资源管理策略。针对单小区MEC网络中用户业务的高计算能力,低时延与低能耗需求所提出的挑战,本文提出了基于集中式强化学习的资源管理方案对单小区MEC网络进行优化。该方案可以针对时变的网络环境与动态的用户需求,通过强化学习提取网络的状态并且根据网络状态做出相应资源分配策略的调整,实现了多维资源与多样业务的免迭代快速匹配,从整体上优化了网络性能。2.提出单小区MEC网络中基于用户状态未知条件下的任务调度和资源管理策略。针对单小区移动边缘计算网络中用户状态信息实时变化的场景,本文以数据采集的时效性需求为中心,提出了一种单小区MEC网络中用户状态信息的收集方法。该方法以分布式强化学习算法为基础,通过被监测用户历史数据的分析,学习被观测数据的物理动态,实现动态地环境估计和统计,以此优化采样和传输资源分配来实现数据的可靠传输和控制,保障数据信息的时效性。在用户状态信息可以被准确及时捕捉的前提下,单个MEC网络可以根据实时的状态信息,准确地完成资源分配策略的优化,满足用户的QoS指标。3.提出多小区MEC网络中基于联邦学习的协作资源管理策略。针对多MEC网络协作模式中存在的大量控制信息交互导致网络时延和拥塞的问题,本文提出了基于联邦学习的多小区MEC网络协作资源管理策略。相比于传统异构网络中通过传递控制消息实现资源管理的协作方法,分布式联邦学习算法首先可以根据各个小区内存在的历史网络数据,提取出相应的网络状态和用户需求偏好,以此训练出算法的关键参数。相比传递网络的实时动态变化环境,传递的相关参数稳定性强,提炼度高,借此大幅降低交互的信息长度和次数,从而缓解因控制信息交互导致的网络拥塞,实现异构网络的资源分配的高效协作。