新应用、新服务呈指数型的增长,计算模式逐渐由云计算转变为边缘计算,将任务迁移至靠近用户端的边缘服务器可以满足移动计算的需求,但任务迁移依赖的网络环境直接影响任务迁移的性能。当今3G、4G、5G和Wi-Fi等网络相互覆盖,异构无线网络成为趋势,使得任务迁移的路径选择和多路径传输成为可能。任务迁移研究中,网络路径的选择对任务时延和终端的能耗有较大的影响。而现有路径选择研究多集中在网络状态本身,而忽略了所需传输的任务特征及移动设备的能效限制,因此亟待针对边缘计算任务迁移的路径传输机制的研究。由此,本文从当下单路径通信的异构无线网络场景和并行传输依靠的多路径异构无线网络场景入手,综合考虑移动设备接入网络状态、任务迁移的任务特性以及边缘设备的计算性能,研究任务迁移的路径传输机制,具体的研究工作如下:1、针对当下单路径任务迁移过程中缺少合理的路径选择机制,同时考虑网络速率和计算资源动态性对任务时延的影响,本文提出了基于Q-learning的单路径选择的任务迁移方法。首先,该路径传输机制综合考虑移动终端网络接入状态、边缘设备计算性能,并以完善用户体验质量为最终目的,其次,将各类因素输入强化学习Q-learning模型,构建状态转移矩阵,实现对传输路径的动态选择,最后,通过单任务路径传输机制,实时接入不同的路径进行任务迁移。实验结果表明,与随机单路径传输机制相比,本文基于Q-learning的单路径传输机制有效地提高了用户体验质量,任务迁移时延平均降低了56ms。2、针对多址接入边缘计算在异构网络中带来的并行传输机会,在未知移动网络速率和边缘计算资源情况下,研究路径传输机制对任务迁移性能的影响,因此本文提出了基于Multi-Armed Bandit多路径选择的任务迁移方法。该方法优化实现了多路径传输,在未知环境展开对网络状态和计算资源的探索,考虑移动终端接入网络路径状态、边缘设备计算性能的同时,将用户体验质量纳入评判标准,同时动态选取多路径进行任务迁移,以最小开销为目标及用户可接受的平均时延作为标准,对多路径传输机制进行评测。结果表明,对比随机接入路径传输机制本文方法平均用户体验提升明显,场景实际丢包率降低幅度达22%,时延降低37%（45ms）,能耗延迟积降低57%。