随着物联网设备的快速增长,基于移动智能终端的各种服务与应用已经成为人类生活中不可或缺的一部分。特别是在移动学习领域,COVID-19疫情导致人们对移动学习服务的需求出现爆炸式增长。视频服务是移动学习应用中的主要服务之一,传统的视频服务架构通常采用“云—终端”的云计算架构。为解决云计算架构中因云服务器与客户端之间的网络波动导致服务质量下降的问题,移动边缘云（Mobile Edge Cloud,简称MEC）应运而生。它通过在网络边缘安装小型云计算的基础设施,使云服务器更接近用户以提升服务质量。本文基于MEC架构,针对移动学习应用场景,提出了一种视频资源边缘端缓存与迁移技术,其包含面向播放流畅度的视频资源边缘缓存方法（Fluency-oriented Video Edge Caching Method,简称FVECM）和基于轨迹预测的边缘服务迁移方法（Trajectory-Prediction-based Edge Service Migration Method,简称TPESM）。FVECM部署在MEC节点上以提升移动学习的视频服务质量,而TPESM保证用户在不同MEC节点的服务区之间移动时对FVECM服务的可访问性。本文的主要研究内容如下。（1）针对移动学习场景中视频播放流畅度的问题,提出了面向播放流畅度的视频资源边缘缓存方法FVECM。首先,提出了基于日期类型的带宽预测算法（Date-type-based Bandwidth Predicting Method,简称DBPM）,DBPM使用历史带宽数据来预测未来带宽数据。然后,提出了面向流畅度的视频资源卸载策略（Fluency-oriented Video Resource Offloading Strategy,简称FVROS）,FVROS根据DBPM预测的带宽数据以及用户课程安排,使用静态资源预卸载和实时动态转发的方式降低本地网络拥塞对视频加载的影响,从而提升视频播放流畅度。仿真实验对比分析表明,本文提出的方法能够有效降低网络环境波动对视频资源加载的影响,在减少MEC存储资源使用率的同时提升视频播放流畅度。（2）针对用户在不同MEC服务区移动时缓存服务可访问的问题,本文提出了基于轨迹预测的边缘服务迁移方法TPESM。首先,提出了基于马尔可夫过程的实时轨迹预测算法MP-RTP（Realtime trajectory prediction based on Markov Process）,MP-RTP通过从用户历史轨迹数据中提取出用户的生活作息与出行习惯的规律并形式化地构建为一个基于马尔可夫过程的数学模型,从而利用该模型进行实时轨迹预测。然后,提出了实时迁移目标选择算法（Real-time Migration Target Selection,简称RMTS）,RMTS根据MP-RTP预测的用户移动轨迹、MEC节点的地理分布与MEC间通信链路的状态,筛选出最佳迁移目标并对边缘服务进行预迁移。仿真实验表明,TPESM与传统服务迁移算法相比,能够有效减少用户在不同边缘服务区之间移动时的服务中断时间。本文提出的移动学习中视频资源边缘缓存与迁移技术采用部分卸载以使用更少的MEC存储资源保证视频播放流畅度,通过用户轨迹预测从而更精确地选择迁移目标,以提升移动学习应用的服务质量。此外,本文提出的视频资源边缘缓存与迁移技术,也可以应用于其它对视频播放流畅有较高要求的应用场景,例如短视频服务和视频点播服务等应用中。