随着物联网（IoT）的发展,移动边缘计算（MEC）由于其可以在更靠近数据产生的边缘处理数据,满足了更多延迟敏感应用的需求,迅速成为了目前研究的重点。但由于其边缘服务器的计算能力和存储能力有限,这就更加需要一种优秀的计算卸载与资源分配方案。本文主要研究MEC的计算卸载与资源分配的联合优化问题,并将其拆完分为两个问题,基于资源分配结果的计算卸载问题和资源分配问题。针对基于资源分配方案的计算卸载问题,传统的计算卸载方案仅考虑云、边、端结构中的计算卸载问题,而未考虑到其公、私有云的属性。本文提出了一种新的计算卸载方案,该方案考虑了公有云与私有云之间的关系,将公有云作为了私有云资源的补充,可以缓解由于私有云资源局限性带来的算力不足问题,并通过建立双层Stackelberg博弈以解决计算卸载问题。最终对于公有云、私有云以及用户的策略和收益进行了分析,求出了各参与人的最优策略,证明了双层博弈的纳什均衡解的存在性及唯一性。通过仿真验证了基于双层Stackelberg博弈的计算卸载方案的可行性,且相较基于单层Stackelberg博弈的卸载方案,基于双层Stackelberg博弈的卸载方案更高效。针对资源分配问题,为了解决集中式资源分配模型的解空间爆炸问题以及MEC环境多变问题。本文提出了一种自适应调参的基于非合作群体博弈的资源分配方案（Adaptive Group Game Allocation Algorithm,AGGA）,将大量的同质化任务采用较为简单的数学规划求解,而其余任务采用非合作群体博弈进行资源分配。此外采用了长短期记忆网络（LSTM）对CPU使用率进行了预测,根据当前CPU使用率以及预测值进行自适应调参。最后进行了对比实验,证明了算法AGGA更加符合当前的环境,且证明了算法AGGA的可行性于高效性。