移动边缘计算(Mobile Edge Computing,MEC)利用部署在网络边缘的云节点就近为用户设备提供计算和存储服务,使得信息可以在边缘产生在边缘处理。与传统使用数据中心提供服务的移动云计算(Mobile Cloud Computing,MCC)相比,其具备如下几点优势:第一,MEC服务器部署在用户附近,极大地减少了MCC中用户与数据中心之间的传输延迟,因而能够部署实时业务;第二,MEC的服务器是完全分布式部署的,避免了将网络边缘生产的海量信息传输到数据中心,减少了对核心网络产生的沉重负担;第三,MEC更加靠近用户,可以收集终端用户的实时信息如行为,位置及环境信息,从而为用户提供更优质服务。因此,MEC可以为用户设备提供低延迟计算上载服务,协助实现网络边缘海量数据的收集,根据环境信息进行网络优化,是解决信息的分布式采集与中心化处理之间愈发突出的矛盾、实现万物互联愿景的关键技术之一。基于以上原因,MEC近年来引起了学术界和产业界的广泛关注。本文研究了功率受限情况下MEC系统中计算上载和资源调度方法,并分析了MEC协助下移动用户的端到端(Peer-to-Peer,P2P)通信过程。一方面,在现有MEC理论中,基于任务的计算上载很好的实现了移动设备能量消耗与处理延迟之间的权衡,然而却没有重点考虑移动设备普遍电池供能导致的可用功率有限的问题。另一方面,基于任务的计算上载需要控制器充分了解任务细节,这不能适应IoT网络中任务的随机到达和实时处理的低延迟要求。因此,我们需要量化描述MEC系统中用户的可用计算资源,从而为低延迟业务实现资源预留。此外,除了可以增强移动设备的计算能力,MEC理论还可以用来提升移动设备的通信能力。本文的研究内容主要分为三个部分,分别针对单用户MEC系统,多用户MEC系统和MEC协助的计算中继系统展开研究,每个部分包含若干研究点。本文的主要贡献如下:(1)考虑功率受限单用户MEC系统中计算上载问题。首先,本文构建了用户设备的本地计算模块和通信模块的数学模型。然后,对于部分可分任务,本文通过最小化任务处理延时得到了最优功率分配和任务上载策略。对于比特可分任务,本文推导了用户可用计算能力(APC)的闭式表达,接着在可用功率和计算资源约束下最大化用户APC,分析了不同约束条件下的功率分配最优解。分析结果表明,MEC利用计算上载可以为移动用户提供丰富的可用计算资源,大大增强网络边缘的信息处理能力。(2)将功率受限单用户MEC系统中的结论推广到多用户MEC系统中,考虑多用户的计算上载和通信资源调度问题。通过最大化系统效用函数,本工作推导了多用户MEC系统中功率分配和子载波分配准则,并基于这些分配准则给出了具体的资源分配算法。然后,本文基于用户APC给出了系统计算能效的表达,推导了系统计算能效最优的资源分配方法。本研究为多用户MEC系统的部署提供了基于用户APC的资源调度策略,更加适用于实时业务部署和计算资源预留。(3)利用MEC服务器的计算能力通过数据再压缩,提升P2P通信中未压缩数据的吞吐量。首先,本文建立了计算中继(Computation Relaying)的基本数学模型,构建该模型关于能量和时间的代价函数。然后,通过最小化计算中继系统的代价函数,推导了最优传输和压缩策略,并与传统P2P通信系统中最优传输策略进行对比。基于上述两个系统的成本差异,本文分析了某一用户的计算或通信容量极度缺乏的几种特殊情况。研究证明,计算中继模型可以使能无线网络和应用层之间的协作,从而优化网络性能,改善用户体验。