移动边缘计算（Mobile Edge Computing,MEC）将计算资源与存储资源部署到无线网络边缘,以处理资源密集型和时延敏感型应用任务,解决了云计算在通信资源占有量高、任务处理时延长、终端用户设备能耗大等方面的问题。用户可以通过计算迁移技术将任务卸载到边缘服务器上处理,以满足应用任务对于低时延、低能耗的处理要求。随着MEC的快速发展与广泛应用,设计一种高效率、高性能且满足应用任务服务质量需求的计算迁移算法已成为该领域的主要研究方向。本文分别对超密集网络、“云-边-端”三层网络与移动网络三种场景下的计算迁移技术进行研究,对网络的资源分配、任务的迁移决策以及用户的移动性进行了综合考量与优化。主要工作与创新点如下:（1）在超密集网络场景中,综合考虑了任务处理时延与能耗,提出一种基于改进布谷鸟搜索算法的计算迁移策略。首先,构建关于用户任务时延与能耗的增益最大化问题;然后,采用多属性决策模型为用户选择最适的迁移基站以处理迁移任务,实现了网络资源的最优配置;最后,由于增益最大化问题是一个非线性混合整数问题,采用自适应罚函数法构造了一个关于迁移决策方案的适应度函数,并采用改进布谷鸟搜索算法求得最大适应度值下的函数解,即为最优迁移决策方案。（2）在“云-边-端”三层网络场景中,将云中心加入到MEC计算迁移结构中,提出一种资源分配与迁移决策联合优化策略。首先,根据任务时延与能耗相对减少的加权和来构建优化问题;其次,根据任务数据量与任务最大时延约束为任务确定优先级并制定初始化迁移决策方案;然后,分别采用均衡传输性能的信道分配算法和最大化资源增益的计算资源竞争算法为迁移任务分配信道资源与计算资源;最后,基于博弈理论,利用迭代比较法得到优化问题在达到纳什均衡下的迁移决策方案。（3）在移动网络场景中,考虑到用户移动性对计算迁移服务连续性与质量的影响,提出一种基于移动性感知的边缘服务迁移策略。首先,根据移动用户运动轨迹与微基站切换时刻,分三种情况给出了任务时延模型,并构建系统总时延最小化问题模型;其次,采用拉格朗日插值法对移动用户运动轨迹进行建模,通过求导得到移动用户的运动方向,并结合运动速度来预测其运动轨迹;然后,综合考量微基站切换成本与虚拟机迁移成本为用户分配最适的通信基站,采用拉格朗日乘子法与松弛对偶法实现计算资源的合理配置;最后,利用分支定界算法求解系统总时延最小化下的虚拟机迁移方案。