随着万物互联时代的到来,物联网设备的种类与数量正以前所未有的速度不断增加,同时承载了人们多样化需求的物联网设备,所需要执行的任务也变得更加丰富多样。虚拟现实,在线视频处理等之前难以想象的技术逐渐变成现实。然而由于移动设备的体积受限,其自身的计算能力和电池容量不足以完成这些需要密集型计算的任务,而云计算又过于遥远,势必会带来过高的延迟。作为一种新型的计算架构,移动边缘计算成为一种有前景的解决方案。移动边缘计算改进了云计算将计算资源中心化的运作方式,将具有一定计算能力的边缘服务器部署到物联网设备的近处,使得需要进行密集型计算的物联网设备可以将任务就近执行,实现更好的任务执行体验。在移动边缘计算中,卸载决策与资源分配问题一直是影响系统性能的主要问题,本文从运营商角度和移动设备两个角度出发研究此问题,在运营商角度求解卸载决策问题与资源分配问题,在移动用户角度求解卸载决策问题。针对运营商角度的卸载决策与资源分配问题,本文提出了一种基于凸优化理论和遗传算法的分层优化算法。首先建立对应的网络模型,时延模型与能耗模型,再根据上述模型将问题表述为一个有约束的优化问题。之后根据问题与约束条件的特点,将问题拆解为资源分配问题和卸载决策问题两个子问题。通过研究资源分配问题的特点,发现该问题可以表述为一个凸优化问题,可以使用库恩-塔克（Karush-Kuhn-Tucker,KKT）条件进行求解。在卸载决策问题中仔细研究决策矩阵的维度特征,根据遗传算法的思想设计了一种启发式算法进行求解,最终得到本文所使用的分层优化算法。经过与几种基线算法进行对比,验证了本文所提出的分层优化算法可以取得更低的时延与能耗。针对移动用户角度的卸载决策问题,本文提出了一种基于深度Q学习（Deep Q Network,DQN）算法的卸载决策算法。首先根据任务本地计算和边缘计算的特点,分别建立本地计算队列,任务传输队列和边缘计算队列三个队列用来模拟任务的排队情况,之后根据系统运行产生的时延能耗定义成本函数,并将卸载决策问题表示为一个长期成本最小化问题。考虑到DQN算法在寻找最优决策策略时的优秀性能,建立了基于DQN的卸载决策方案,并根据系统的特点详细设计了系统状态,动作和奖励方程。根据系统状态的特点设计神经网络结构,最终实现使用DQN算法得到稳定的卸载决策策略使得系统长期成本最小化。