随着移动终端设备的普及与移动通信技术的快速发展,计算密集型业务对终端的计算能力和存储能力提出了很高的要求。因此,有很多研究者考虑将云计算的思想引入到移动通信网络中,采用移动云计算的方式来加速计算密集型业务的运行和处理以提升用户体验。在典型的移动云计算网络中,云服务器一般部署在远离用户的核心网中,将业务卸载到云服务器,往往面临较大的传输延迟。鉴于此,有研究者提出了移动边缘计算的概念,通过在靠近用户的移动核心网边缘的基站侧部署多个移动边缘计算(Mobile Edge Computing,MEC)服务服务器,为用户业务提供就近的计算和处理服务。MEC服务器的计算和存储能力远高于移动终端,将移动终端业务卸载到MEC服务器处理,能获得较小的任务处理时延。同时,MEC服务器一般部署在靠近用户的核心网边缘,移动终端往往通过一到两跳的传输就可以与MEC服务器直接通信,大大降低了任务卸载过程中的传输延迟,并减轻了核心网回传链路的传输负担。在MEC系统中,针对从移动终端卸载到MEC执行的任务,将部分任务留在移动终端处理的同时,选择部分任务卸载到核心云数据中心执行,能够减少MEC服务器的负载,降低系统中完成所有任务的平均时延,充分利用计算资源。因此,本文主要研究MEC系统中,移动终端、MEC服务器与核心云服务器之间的任务协同调度策略。本文首先研究了在SDN(Software Define Network)服务器进行任务调度前的聚类问题,通过聚类,可以将时延敏感度与需要消耗的计算量最相似的任务聚集在一起,SDN服务器首先调度优先级较高的任务,使得时延敏感与消耗计算量较少的任务能够优先执行,有效降低之后任务的排队时延。本文针对移动终端任务的聚类问题建立了数学模型,并比较了几种常用的聚类策略对任务的聚类方式对任务协同调度结果的影响,发现了使用改进的k-means方法将任务分为5个簇时最有利于减小系统开销。接下来,本文主要研究了两种基于MEC系统的移动蜂窝网中移动终端与MEC服务器的资源联合调度策略。第一种STM(Single Task Mode)策略以最小化单个任务的服务开销为目标,采用贪心策略对每一个任务进行独立地实时调度。另一种是多任务联合优化调度策略MTM(Multiple Task Mode),针对该策略本文以最小化多个任务总的服务开销为目标,建立了多任务联合调度的理论优化模型,并利用该模型设计了基于LPT(Longest Processing Time)规则的多任务端云协同优化调度算法。本文通过仿真验证了两种协同调度策略的性能。仿真结果表明,我们提出的两种协同调度策略能够在保证用户服务体验的条件下,有效地降低系统的服务开销。之后,本文针对卸载到MEC服务器上的任务,研究了在MEC服务器与云数据中心之间进行任务卸载的问题,并以总开销最小为目标建立了模型,由于该问题为NP问题,本文提出了两种任务调度策略:遍历所有组合的基于动态规划的任务协同调度策略,以及只需要遍历部分组合方案,并模拟生物进化的过程,在较短的时间给出一个较好的结果的基于遗传算法的协同调度策略。通过仿真,将本文中所提出的两种策略与所有子任务都在MEC服务器与核心云数据中心执行策略进行对比,发现本文提出的两种策略均能降低完成任务的开销。本文所提出的两种策略的对比中,遗传算法得到任务调度策略完成所有任务的时延优于基于动态规划算法得到的任务调度策略。本文研究了MEC系统中的任务协同调度策略,提出了在尽量保证用户服务体验的前提下,降低系统的服务开销的任务协同调度策略,在任务卸载过程中,有效利用了移动终端、MEC服务器与核心云服务器的计算资源,为之后对MEC系统中的任务卸载与调度问题的研究提供了新的思路。