近十年以来随着科学技术发展,通信技术得到了快速的成长,特别是第五代通信网络（5G）成为重点发展方向,移动设备的地位变得尤为重要。移动设备已经从单一的通信设备发展为现在的具有一定计算能力,而且可以处理多种任务的智能终端。但是,移动设备的由于其体积限制,计算能力不仅受到了限制,而且最近几年电池技术停滞不前,导致移动设备的可以执行的任务受到了严重限制。为了解决这个问题,人们开始考虑将计算任务卸载到云服务器去计算,来解决本地计算能力不足的问题,并且降低设备的能耗。由于移动设备到云端的无线传输链路长,导致时延和能耗增加,为了解决时延、能耗等一系列问题,工业界和学术界提出了移动边缘计算（MEC）的概念。将云计算节点放置在在用户周围,这样不但可以降低时延,而且还可以节省移动设备的能耗。随着云计算的广泛应用,越来越多人开始关注云计算计费的问题,如何用最低的价格获取云端最多的运算能力也成了用户关注的重点。本文中,我们研究了智能物联网（IoT）中MEC网络下的任务卸载问题,其中多个用户在多个计算接入点（CAPs）的协助下执行一些计算任务。时延和能耗是移动边缘计算网络中两个重要的优化指标,通过将部分任务转移到CAPs,减少延迟和能量消耗来提高系统性能。本文通过深度强化学习算法智能地提出卸载策略,设计了该卸载系统。该算法利用Deep Q-Network（DQN）自动学习卸载决策以优化系统性能,训练神经网络预测卸载行为,训练数据由智能体和环境交互中生成。此外,我们采用带宽分配来优化用户与CAP之间链路的无线频谱,并提出了三种带宽分配方案。进一步的,我们使用CAP选择来选择一个最佳CAP来协助用户完成计算任务。此外,针对无人机（UAV）威胁数据传输安全的问题,本文还提出了一种基于深度强化学习的安全绿色移动边缘计算网络优化框架。为了减轻用户局部性的计算压力,一些计算任务可以转移到计算接入点,代价是定价、传输延迟和能量消耗。通过联合降低定价、延迟和能耗,提出了一种基于深度强化学习的安全移动边缘计算网络优化框架。具体来说,我们首先采用四个优化准则,其中准则一最小化定价、时延和能耗的线性组合,准则二是时延和能耗受限的情况下最小化定价,准则三是定价和能耗受限的情况下最小化时延,而准则四则在定价和延迟受限的情况下,使能耗最小化。针对每个准则,我们提出了一个优化框架,同时可以动态调整任务卸载率和带宽分配率,并提出了一种新的特征提取网络来提高训练效果。仿真结果验证了该优化框架的有效性。