高速移动接入、增强现实（AR）、虚拟现实（VR）、超大规模物联网等计算密集型应用的发展,对网络时延、接入带宽、计算力等方面提出了更高的要求。传统移动云计算（Mobile Cloud Computing,MCC）将计算任务卸载到远端数据中心,整个任务的处理时延难以得到保证,因此移动边缘计算（Mobile Edge Computing,MEC）应运而生。MEC技术将服务器部署在更加接近用户的移动网络边缘,满足任务高计算力和低时延的需求。但是无线接入的带宽和服务器的计算资源是有限的,不合理的调度分配会导致系统资源浪费、服务质量下降以及能耗增加,因此本文主要研究移动边缘网络中智能管控算法,以实现任务的智能调度分配。MEC场景下任务的卸载决策和资源的合理分配,对整个系统的能耗和任务计算处理时延有着重要影响。卸载决策即确定计算任务本地处理还是传输到MEC服务器处理,资源的分配包括带宽资源的分配和计算力资源的分配。任务的卸载决策和资源分配问题通常存在两个难点:（a）问题通常可以建模为非凸优化问题,使用传统方法难以在较短的时间内计算出最优的决策方案;（b）传统算法大多假设卸载任务并行传输,传输过程中计算资源可能处于闲置状态而造成资源浪费。本文研究分批次的卸载模型,需要卸载的任务可以选择某个批次向服务器进行传输,随后提出NNGA算法,假定服务器遵循单服务台排队模型,通过神经网络和遗传算法得到每个任务的卸载决策,接着对每个批次内传输的任务采用启发式算法进行带宽分配。仿真结果表明,与其它对比算法相比,该算法能在较短的时间内获得更优的求解结果。DASH（Dynamic Adaptive Streaming over HTTP）视频流是一种可以把视频文件内容分割为小片段,并采用不同比特率对分片视频进行编码,使用户可以针对自身网络状况请求对应码率片段的自适应流媒体技术。随着视频业务的爆发式增长,基于DASH视频流智能传输问题成为移动边缘网络中另一个研究热点。本文第四章研究多基站场景下的视频流智能传输问题,其中包括用户的基站接入决策和码率自适应选择两个子问题。然而实际场景下难以预测信道情况,基站较难实时收集全部终端的缓存长度信息。本文考虑用户与基站的距离信息、距离路径损耗和各个服务器的带宽资源限制,对多基站多用户的码率分配场景进行建模,设计了一种可以实现自学习的MBRA算法,使得用户总体的QOE（Quality Of Experience）效用和系统剩余带宽资源的加权和最大。将原始问题分为两个过程:（a）通过DNN网络输出决策、KNN近邻算法较优解搜索,得到较好的基站接入决策方案;（b）基于贪心算法实现单基站下用户的码率选择。仿真结果表明,MBRA算法与其它算法相比,可以在较小的时间复杂度范围内取得更好的求解效果。