作为5G研究中的关键技术,移动边缘计算（Mobile Edge Computing,MEC）技术是通过将移动物联网设备（Mobile Io T Device,MID）产生的复杂计算任务上传到终端设备附近的MEC服务器上进行处理的一项技术,与移动云计算相比,MEC可以有效利用网络边缘服务器的计算能力,降低了MID的服务时延。然而,传统的MEC设备是安装在固定的基础设施上面,针对一些基础设施有限、应急的无线网络场景中（紧急救援、偏远农村或军事演习地区）存在一定的局限性。近年来,无人机（Unmanned Aerial Vehicle,UAV）辅助的MEC网络引起了广泛的关注,UAV可以利用其机动性更接近每个设备,减少传输延迟。另一方面,考虑到MID能量受限,无线能量传输（Wireless Power Transfer,WPT）技术可以通过射频信号为MID节点提供持续性能量供应。基于此,本文以降低系统能耗,提高系统能效为目标,针对WPT环境下的UAV辅助的MEC网络中的任务卸载及轨迹调度问题展开深入研究。主要内容概括如下:第一,针对确定性单任务静态任务卸载,提出了一种联合优化MID的中央处理器（Central Processing Unit,CPU）周期频率、卸载计算位数、UAV的CPU周期频率和UAV飞行轨迹的静态卸载及轨迹调度方案,以最小化UAV总能量消耗（定义为UAV计算能耗、与MID之间的通信能耗以及UAV飞行能耗之和）。由于优化变量之间的耦合关系,使得目标优化问题难以解决,为此提出了一个基于交替优化的卸载及资源分配算法:首先,利用拉格朗日对偶法求出MID的CPU周期频率、任务卸载计算位和UAV的CPU周期频率的闭式表达式,随后利用连续凸逼近（Successive Convex Approximation,SCA）方法来解决非凸轨迹问题。仿真结果表明,本文提出的算法能够较快收敛,并且与其他基准算法相比,可以获得较低的能耗。第二,针对随机到达任务的动态卸载,提出了一种联合优化MID的CPU周期频率、传输功率、时间分配和UAV飞行轨迹的动态任务卸载及轨迹调度方案,以最小化系统长期平均能效（定义为长期总能耗与长期累积处理计算任务量之比）。由于优化问题是非线性分式规划问题以及变量之间的耦合关系,使得目标问题难以解决,为此提出了基于Lyapunov优化方法的在线计算卸载和轨迹调度算法:首先,利用Dinkelbach算法将非线性分数规划问题转换为线性分数规划问题,然后利用拉格朗日对偶法和次梯度法求出MID的CPU周期频率、传输功率和时间分配的闭式表达式,随后利用SCA方法来解决非凸轨迹问题。仿真结果表明,本文提出的算法可以实现系统能效与服务时延之间的均衡,与其他方案相比,可以获得更好的EE（Energy Efficiency,EE）-延迟性能,并且能够较快收敛。