智能工厂、自动驾驶、增强与虚拟现实等资源需求密集和时延敏感型应用的大量涌现,对无线移动通信网络带宽、时延、架构等提出了重大挑战。移动边缘计算（Mobile Edge Computing,MEC）是应对上述挑战的核心技术之一。其利用边缘网络设备的计算、存储和通信能力对业务进行分布式处理,提升网络资源利用率,实现业务的低时延高可靠传输。计算卸载是移动边缘计算的关键研究问题,其策略的优劣将直接影响网络业务的处理能力与处理时延。如何联合优化设备选择、资源分配和网络配置等以综合考虑不同场景下的能量消耗及时延是设计有效计算卸载策略的难点。本文针对移动边缘计算中的计算卸载展开研究。首先研究MEC中时延限制下的节能计算卸载算法。然后研究MEC与非MEC共存情况下的计算卸载方案。之后进一步研究MEC系统具有多类移动应用场景下的卸载机制。最后将设备间移动应用相互独立的传统MEC计算卸载场景扩展至设备间移动应用相互依赖的全交互场景进行研究。主要工作及创新点如下:第一,针对MEC时延敏感型业务的高能耗特性,研究MEC中时延限制的节能计算卸载算法。首先在单设备场景基于有向非循环图（Directed Acyclic Graph,DAG）进行建模,然后提出了一种低时间复杂度的基于部分关键路径（Partial Critical Path,PCP）的贪心任务卸载算法GA-PCP。该算法能够快速得到性能优异的次优解,实现显著的节能效果。进而在多设备场景基于二态卸载进行建模,并分别提出了基于线性重构技术的分支定界（Branch and Bound,BB）方法RLTBB和基于基尼系数的贪心启发式算法GCGH。RLTBB能够调整求解精度,但是复杂度较高,而GCGH算法的求解速度较快,两种算法均能够有效节约移动设备能量消耗。第二,针对MEC与非MEC资源需求差别大带来的分配难题,研究MEC与非MEC共存时的计算卸载方案。首先将能量消耗和时延共同作为优化目标对MEC切片（承载MEC计算卸载应用）和传统切片（承载非MEC移动应用）进行建模。然后提出了一种基于信息预测和动态规划（Dynamic Programming,DP）的无线接入网（Radio Access Network,RAN）切片算法IP&DP-RS,该算法能够对各切片提前设定上/下行链路配置以适配流量特征,并且在该配置下进行切片间和切片内的资源分配,同时完成计算卸载设备选择。IP&DP-RS能够在多项式时间复杂度内以高公平性优化网络效用,实现了联合优化能量消耗和时延的目的,提高了 MEC计算卸载的性能。第三,针对MEC下多类移动应用动态变化问题,研究MEC具有多类移动应用时的计算卸载机制。首先结合时分双工（Time Division Duplexing,TDD）模式将能量消耗和时延共同作为优化目标对计算卸载应用与其他MEC移动应用共存场景进行建模。然后针对长时间尺度的网络配置问题,提出了一种免模型的在线动态调整TDD配置的方案C-UCB;针对短时间尺度的设备选择及资源分配问题,提出了一种嵌套在C-UCB之内的低时间复杂度的贪心资源分配算法GRA。C-UCB&GRA能够动态高效地调整TDD配置以适配具有多类移动应用的MEC系统,同时通过合理地选择移动设备及分配资源,实现了联合优化能量消耗和时延的目的,提高了 MEC计算卸载的普适性。第四,针对MEC存在移动应用间相互依赖的特性,研究MEC中全交互场景下的计算卸载方案。首先分析了全交互场景下影响能量消耗和时延的因素,并将能量消耗和时延共同作为独立智能体的优化目标进行建模,展示了该场景不同于传统计算卸载的通信和计算需求。然后提出了一种基于时间差分（Temporal Difference,TD）学习方式的在线分布式决策方案DMTD,其具有灵活、快速以及鲁棒等优势。每个智能体通过运行DMTD方案能够实时响应计算场景中的快速变化,从而实现高效的计算和网络性能。DMTD方案能够使系统代价收敛,以在线自适应的方式获得优异的联合优化能量消耗和时延的长期性能,扩展了 MEC计算卸载的应用场景。