近年来,随着物联网和移动互联网等技术的蓬勃发展,新兴数据业务和应用不断出现。新兴数据业务和应用的出现为人们的日常生活提供了极大的便利,但同时也给现有的网络结构带来了巨大的挑战。随着新兴数据业务和应用对于计算能力和响应时延的要求越来越苛刻,传统的移动通信网络结构急需新的变革。移动边缘计算(Mobile Edge Computing,MEC)因此被提出。移动边缘计算通过在边缘节点上配置MEC服务器来在传统移动通信网络的边缘提供计算能力,通过边缘节点与终端用户之间较近的物理传输距离来满足新兴应用的低时延要求。服务缓存问题是移动边缘计算在实际应用中的一个关键问题。由于每个网络边缘服务器可以提供给用户的各种资源(如带宽资源、计算资源等)是固定且有限的,仅有少数种类的服务请求能够同时被边缘节点提供并运行。合理的移动边缘缓存策略能够有效地改善整个网络的性能。与此同时,由于下一代网络(5G网络)的密集部署特性,相邻基站的缓存策略在时间和空间上具有耦合性,可以通过多个基站协作制定缓存策略来提高MEC网络的性能。对于移动边缘计算网络动态服务缓存问题,本文通过制定合理的缓存策略来使终端用户的服务请求能够尽可能的本地化服务,从而使得上传到远端云计算中心的流量负载最小,以此提高整个移动边缘计算网络的性能。这个问题包括了联合服务缓存、终端用户选择和计算/通信资源联合分配等多个难点。针对不含时延约束的移动边缘计算动态服务缓存问题,本文提出了启发式集中式、分布式服务缓存算法进行解决。然后根据移动网络的动态性,通过添加预测机制,改进提出了基于上下文的集中式、分布式动态服务缓存算法,使得缓存策略能够根据用户的变化来做出相应的调整。实验结果表明,算法在有效地降低传输到远端中心的传输负载的同时,能够降低网络中服务切换成本。针对时延约束下的移动边缘计算动态服务缓存问题,通过为前述移动边缘计算边缘缓存问题添加低时延约束,针对性的改进提出了时延约束下的改进集中式、分布式算法,使得缓存策略能够在低时延的要求下有效地达到优化目标。仿真实验的结果表明,提出的算法能够十分有效地降低传输到远端中心的传输负载,提高整个网络的性能。