随着智能移动设备的普及和万物互联时代的到来,用户请求的数据量正在快速增长。以云计算为代表的集中处理模式已经无法满足任务的高实时性需求,移动边缘计算(Mobile Edge Computing,MEC)作为一种在靠近数据生成源处提供服务的计算模型应运而生。然而,MEC服务器的计算能力和资源不足以处理长周期的密集型任务数据,因此MEC与云计算相互补充和优化构成了云边协同计算模型。无论是在MEC环境中,还是在云边协同计算环境中,如何高效的将任务卸载到合适的计算节点上处理以及更优的分配各种资源是该领域中的重要研究方向。本文分别对MEC环境和云边协同计算环境下的任务卸载和资源分配问题进行了研究,并且基于深度强化学习方法提出了有效的解决方案,研究目的是为了减少任务响应时间和能耗。具体的研究工作概括如下:(1)针对MEC环境下的任务卸载和资源分配问题,提出一种基于深度Q学习的自适应算法。在该环境中,有多个用户设备和多个MEC服务器分布点,用户设备具有移动性并且以Poisson分布形式模拟任务的生成。提出的算法具有自学习能力,可以决定任务是否需要卸载以及为任务分配合适的计算节点,并在算法训练过程中不断学习以提高决策准确性。通过与其他对比算法的比较得知,提出的算法在减少任务平均响应时间、降低系统总能耗以及提高系统效用方面的性能较优,可以满足用户和服务提供商的利益要求。(2)针对云边协同计算环境,提出一种资源和可靠性约束下的任务卸载和资源分配算法。云边协同计算模型相比于MEC模型增加了云计算层,因此用户设备产生的任务数据可以选择设备本地、卸载到MEC服务器、卸载到云服务器三种处理方式。除了计算节点受到计算能力和资源的约束之外,在云边协同计算场景中还考虑了计算节点的可靠性。针对目标优化问题提出基于深度强化学习的在线学习算法,通过仿真实验的评估和验证,提出的算法可以有效提高用户体验的质量、降低系统能耗。