移动边缘计算通过将云数据中心的计算、储存能力下沉至网络边缘,在网络边缘为用户提供高带宽、低延迟的服务,满足了日益增长的移动设备和计算日益密集任务的迫切需求。本文研究了移动边缘计算中,基于用户移动场景和基于任务依赖关系的协同任务调度问题,构建了移动设备与MEC服务器之间、MEC服务器与MEC服务器之间的两层协同任务调度系统模型,该模型包含了移动设备、MEC服务器等实体模型、移动设备与基站的无线通信模型、本地计算和边缘计算两种计算方式模型和任务处理过程中的时间、能耗模型。针对基于用户移动场景的协同任务调度问题,本文以保证系统服务质量前提下的最小化任务平均执行时间为优化目标,提出了一个基于用户移动性感知的启发式优化算法（MAHO算法）。MAHO算法基于已知的用户移动轨迹构建了用户移动性模型,并对无线通信模型和任务处理过程中的时间、能耗模型做出了适当调整。在调度策略上,MAHO算法优先选择紧迫度较高的任务进行调度,根据MEC服务器的资源匹配度大小,并结合两个特殊场景（本地计算场景和接入服务器计算场景）,以决定任务在本地计算还是边缘计算以及边缘计算时在哪一个MEC服务器上计算。针对基于任务依赖关系的协同任务调度问题,本文同样以保证系统服务质量前提下的最小化任务平均执行时间为优化目标,提出了一个基于任务依赖性感知的启发式优化算法（DAHO算法）。DAHO算法在MAHO算法的基础上,加入任务依赖性模型以保证任务执行时的依赖关系限制。在调度策略上,DAHO算法优先选择最迟调度时间较小且符合依赖关系限制的任务进行调度,同MAHO算法一样,根据MEC服务器的资源匹配度大小,结合两个特殊场景,以决定任务的调度决策。实验环节,本文通过仿真实验结合真实平台实验对提出的MAHO算法和DAHO算法进行了算法性能验证,仿真实验结果和真实实验结果均表明,本文所提的MAHO算法和DAHO算法相对于已有的TAS算法和MAMTS算法,在任务的平均执行时间和超时率两方面具有较为明显的优势。