在物联网和5G的迅速发展下,万物互联的时代已经到来,导致了网络边缘设备的数量急剧增加,该类设备产生的数据量已达到了泽字节（ZB）级别。由于云数据中心资源的扩展速度跟不上边缘层数据指数级别的增长速度,全球计算资源日益紧缺。边缘设备为了将数据上传到云数据中心进行进一步处理,需要跨越核心网络和云服务器交互通信,海量数据汇聚在核心网络,大大增加了带宽的负载量,较大的传输延迟降低了全球互联网用户的服务体验。同时,跨越核心网络传输数据增加了用户数据泄露的风险,且集中式的存储模式不能满足企业数据私有化和数据安全管制要求。因此,当前以云计算模型为核心的集中式处理模式已经不能满足如此庞大数据的传输、计算、处理需求。为此,以边缘计算模型为核心的分布式处理模式应运而生。通过在用户边缘部署边缘服务器,使得计算资源贴近用户,为用户提供就近的计算和存储服务。边缘服务器的计算和存储能力远高于用户的终端设备,能产生较低的任务处理时延,且相比于云服务器,边缘服务器的存在极大的缩短了用户与计算资源的距离,降低了带宽开销的同时也减少了任务传输时延,进一步保障了用户的服务体验。而数据的就近存储和分布式存储机制能有效保证数据的隐私和安全性。因此,边缘计算的处理模式能较好的解决云计算架构面临的一系列问题。边缘计算模型的提出,使得任务的调度模型从端云调度转变为了端边云调度。调度模型的改变也促使对调度算法加以改进与适配。在以往对边缘计算任务调度的研究中,终端设备的计算资源往往被忽略,任务被全部卸载到边缘层和云层,但随着硬件设备的发展,大多数终端设备都具备了一定的计算资源。因此,本文充分考虑终端层的计算资源,将任务合理的卸载到终端本地或者边缘服务器,对于边端层无法完成的任务,本文设定全部卸载到云数据中心进行处理。借助软件定义网络（Software Defined Network,SDN）中,SDN服务器具有全局网络视图的特性,本文提出了两种满足任务最低要求时延的边端任务协同调度策略。第一种是基于贪婪算法的单任务调度策略,该策略以最小化单个任务的卸载开销为优化目标,以满足单个任务的最低要求时延为约束条件,按照先来先服务（FCFS）的原则对任务进行调度。第二种是基于改进粒子群优化算法的多任务联合调度策略,该策略会在任务调度之前将一段时间内到达的任务卸载请求进行聚类,并给聚类生成的多个任务簇设置调度优先级,之后以最小化任务簇中多个任务的总卸载开销为优化目标,以满足任务簇中多个任务的最低要求时延为约束条件建立联合优化的系统模型。实验结果表明本文提出的两种策略都能够有效降低系统的服务开销,减少任务的处理时延,提高任务的处理成功率。面向任务可拆卸类型的应用,本文提出了一个可自适应调节任务拆卸细粒度的边端协同调度策略。该策略基于改进遗传算法,可根据系统当前资源利用状态,灵活调整任务拆卸细粒度,并以最小化任务处理时延为优化目标,为拆卸后的子任务做出最合适的分配方案。仿真实验表明本文提出的算法能够有效降低任务处理时延和系统能耗,并保证边端层的资源都能得到有效利用。