针对大量计算密集型和延迟敏感型的应用场景,云边端协同机制作为一种新的计算范例已经出现,有效的提高了计算资源的利用率。其中,移动终端设备通过本地计算或计算卸载,可以满足不同类型的计算请求,从而缓解自身资源的限制。然而,考虑到移动边缘服务器的资源有限,只有少数应用服务可以同时缓存到移动边缘服务器中。因此,本文对基于云边端协同的计算卸载和服务缓存策略进行研究。论文的主要工作如下:（1）本文提出了一种面向云边端协同的计算卸载策略。在云边端协同机制下考虑到不同应用的延迟敏感性差异,以及任务之间的依赖关系的约束条件,通过优化计算卸载、任务调度以及移动终端设备的时钟频率,实现最大化用户完成计算任务满意度的目标。首先,本文通过网络建模将问题进行形式化表达。其次,本文设计三阶段分布式算法对该网络模型进行求解。（2）本文提出了一种面向云边端协同的服务缓存策略。在云边端协同机制下,考虑到服务更换花销以及服务维护花销,联合优化计算卸载以及服务缓存策略,实现最大化网络运营商收益的目标。本文通过网络建模将问题形式化为一个具有离散变量的非凸优化问题。并且,本文提出一种动态联合计算卸载与服务缓存算法（DJOSC）对该优化问题进行求解。（3）本文分别对提出的计算卸载策略以及服务缓存策略进行仿真实验验证及分析。针对云边端协同机制下的计算卸载策略,首先,本文比较分析权重值对于能量消耗以及计算延迟的影响。最后,本文将三阶段分布式算法与不同的计算卸载策略以及调度算法进行对比分析。针对云边端协同机制下的服务缓存策略,本文进行了仿真对比实验,通过与无服务缓存优化算法（RSC）以及无计算卸载优化算法（NOF）进行对比分析,验证了本文提出的DJOSC算法的可行性以及有效性。