近年来,随着移动边缘计算的不断发展,出现了很多新兴和多样化的边缘应用(如车联网、增强/虚拟现实游戏和轻量级深度学习任务),这些应用对于时延的敏感性极高,需要大量的网络连接和更低的延迟,这将导致核心网络在单位时间内处理的数据大小和业务请求不断增加,在有限的资源下挑战移动设备的计算能力。由于这些时延敏感型应用在短时间内生成的数据都要经过核心网络,所以在服务访问的高峰期会给边缘云网络负载带来很大的压力,传统的移动边缘服务器已经不能提供及时有效的服务。为了满足对延迟敏感应用服务的高要求,一方面要降低边缘端设备的能耗,将高计算量的模块调度到远程服务器上执行;另一方面,计算模块必须要尽可能的靠近数据源,以减少模块间数据传输带来的延迟。因此,需要合理优化和扩展接近物理实体和数据源的边缘云计算资源,增强服务网络、计算、存储和应用核心能力,对新的计算资源和缓存资源进行边缘化和本地化。首先,本文在现有服务调度研究的基础上,提出了一种边缘应用服务的新模型,每一个应用服务都由很多个松耦合的微服务组成,应用服务可以由一个加权图来表示,图中的节点表示可以被调度的微服务,图中的边表示微服务之间的通信和传输,图上的权值分别表示微服务在不同位置执行产生的计算代价和通信代价。通过对边缘计算调度场景的分析,提出了一个基于此模型的应用划分算法,使系统的总时间代价最小。然后,针对无人机辅助边缘计算的应用场景,将划分算法进一步扩展,提出了MCMO(min-cut matching offloading)调度算法,在可调度的微服务侧与无人机等计算资源侧形成多对一的选择模型,让微服务与无人机等计算资源进行的选择匹配。之后通过扩展CloudSim云仿真程序,对所提出的模型和算法进行实验分析,与其它4种调度方法进行对比后验证了所提出的算法可以有效的利用系统中的计算资源,降低了应用服务的完成时间。最后,基于kubernetes开发了一个轻量级的边缘计算平台,根据本文提出的模型和算法设计并扩展了kubernetes调度器模块,并通过人脸识别程序进行了实验验证,展示了理论方法在实际应用部署中的充分适用性。