尽管近年来智能移动设备得到了飞速发展,受限于其计算、存储和电池能量等资源,仍然难以满足虚拟现实、人脸识别、在线游戏等应用的需求。云数据中心的构建,使得移动设备可以将任务迁移到远程云数据中心,以打破计算能力等资源的限制,并有效延长电池寿命。但由于用户远离云数据中心,往往会产生较高的时延,从而降低用户的满意度。为此,移动边缘计算架构应运而生,它通过在离用户较近的区域部署微云（Cloudlet）等边缘设备,用户的时延敏感型任务请求将被迁移至这些靠近用户的微云设备上执行,并将执行结果反馈给用户。由于用户与微云之间的距离较近,可以有效降低用户业务的网络时延。微云类似于缩小版的云数据中心,为节约成本,其拥有的资源也是受到一定限制的。当用户请求较多时,微云的资源可能耗尽,或者用户的任务请求需要较长的排队时延时,也就是微云的负载过载。这时,就需要将部分用户请求迁移至别的微云或远程的云数据中心。如果能够提前预测到微云的负载过载信息,将可能更为有效地规划用户请求的迁移策略,从而提升微云资源的利用率和用户的满意度。因此,有必要预测微云的负载是否会过载。本文的主要工作包括:（1）构建了一个包含多个微云的负载过载模型,它假设用户请求全部迁移到微云上执行,以用户请求的平均时延是否满足预设的时延上限来判断微云是否过载。依托于该模型,设计了一种用户请求迁移算法,进而仿真验证某种参数化的负载是否会导致该微云的负载过载。通过收集仿真验证的结果,形成了可用于采用监督学习策略进行微云负载过载预测的数据集。（2）设计并训练了一个基于深度学习的微云负载过载预测模型,可以通过描述用户请求的到达情况、所需要的网络与计算资源等信息的一系列参数,预测微云是否会过载。该模型包含15个输入参数,4个隐藏层以及1个输入结果。实验结果表明,该模型在准确率、精确率、召回率、适应性、稳定性等方面均有较好表现。