移动边缘计算（Mobile Edge Computing,MEC）将云计算能力下沉到边缘网络,为用户提供所需的计算、存储和网络资源,极大地了降低移动设备的任务执行时延和能耗。但是,MEC服务器计算资源有限,以及接入互联网的设备和用户资源需求日益增加,这使得资源合理分配日益重要;另外,当用户处于移动状态时,网络环境是动态变化的,这会影响移动设备与MEC服务器之间的通信时延,难以保证用户的体验质量。因此,移动边缘计算网络需要制定合理的资源分配方法以提升用户的体验质量。基于此,本文分别研究了多用户场景下移动设备处于静态环境和动态环境的资源分配问题,主要研究内容如下:（1）针对静态环境中的多用户资源分配问题,考虑在移动设备的计算资源和电池能量有限的约束条件下最小化系统总开销。通过设计合理的卸载策略和功率优化方法以实现系统总开销优化。首先每个用户通过比较任务本地计算能耗和任务卸载计算能耗得到卸载策略。其次根据卸载决策,在满足时延约束和资源限制条件下,将优化问题分解为本地计算开销最小化问题和卸载计算开销最小化问题。最后参考凸优化理论对本地计算任务进行CPU时钟频率分配,利用基于混沌反向学习和动态权重因子的鲸鱼优化算法对卸载任务进行功率优化。仿真结果表明,本文所提算法有效降低了系统总开销。（2）针对动态环境下的多用户资源分配问题,考虑用户移动性对任务卸载的影响、任务时延约束以及移动设备的资源限制等因素,并建立了系统总开销最小化问题模型。为了解决该优化问题,提出一种基于用户移动性的资源分配算法。首先每个用户通过比较任务本地计算时延和任务截止时延获得卸载决策,其次参考凸优化理论对本地计算任务进行CPU时钟频率分配,并利用基于柯西变异和自适应权重的鲸鱼优化算法对卸载任务进行功率分配。仿真结果表明,与任务全部本地计算相比,该算法能有效降低系统总开销,提升系统性能。