随着通信业务和大数据计算业务的高速发展,社会对无线频谱资源的需求越来越高,高速增加的数据流量也对核心网的承载能力提出更高的要求。为了应对当下频谱、计算资源分配不均的问题,出现了大量认知无线网络以及边缘计算领域的研究。针对通信干扰和频段受限问题,通过频谱感知和机会接入的方式,认知网络技术可以提高网络的频谱利用率和系统容载率。而将计算资源贴近网络边缘侧放置的技术,能减轻核心网的传输压力,优化计算任务的时延和成功率方面的表现。首先本文列举了部分认知网络及边缘计算的研究现状,阐述了这两项研究的部分关键技术作为本文研究的理论基础。接下来,针对多个松耦合的认知网络模型,提出了两种边缘计算任务的资源分配以及卸载决策模型。第一个模型针对多个分布式管控的认知网络之间的信道干扰,提出了记录网络信道占用状况的网络模型和基于干扰感知以及基站主动干扰的控制策略。该策略基于历史干扰信息记录和模拟退火算法对信道进行半集中式地分配,通过感知干扰交流信道使用信息,协助各网络逐步稳定并找到最优的信道分配方案,减少了多个网络间对信道的争用和碰撞干扰,该算法有效提高了每通信轮次内成功卸载的任务数量。第二个模型针对动态变化的边缘计算任务状态,结合认知网络内的信道状况和终端用户对能耗、时延性能的偏好系数,提出了一种联合优化时延和能耗表现的任务卸载决策及频谱资源分配算法。通过记录预测网络内各信道的性能表现,算法针对不同的任务卸载策略及信道分配方案,计算并优选期望效益最高的方案,应用Kuhn-Munkers算法降低了该策略的实现复杂度,该策略在多种设备分布下提高了计算任务的时延和能耗表现。综上所述,本文研究的基于边缘计算的认知网络资源调度有效改善了无线网络中边缘计算业务的性能,对未来移动终端计算设备的研究有重要意义。