随着移动互联网和物联网的快速发展,用户设备类型日渐丰富,新型移动应用不断涌现。模式识别、交互式游戏、虚拟/增强现实等计算密集型应用,不仅消耗大量的计算资源和能源,还需要超低的响应时延。然而,用户设备的计算、能量资源受限,不能有效的支撑此类应用。移动云计算允许用户将计算任务卸载至云服务器处理,利用其强大的计算能力弥补自身计算资源的不足。但是,任务的远距离传输导致较高的传输时延和通信能耗。作为改进技术,移动边缘计算（Mobile Edge Computing,MEC）通过边缘网络中的服务器在用户近端为其提供计算服务,克服了移动云计算的缺陷。计算卸载过程涉及到计算和通信资源,不合理的计算卸载策略会造成资源浪费甚至性能损失。通过平衡计算和通信开销来设计合理的计算卸载和资源分配策略是挖掘边缘计算潜力的关键。在异构网络和异构计算系统的背景下,计算需求、计算资源和边缘服务器变得多样化和异构化,使得计算卸载和资源分配更加复杂。一方面,计算卸载决策需要考虑服务器可用计算资源以及任务与服务器之间的适配性。另一方面,在资源分配过程中,需要将计算需求与处理器计算能力相匹配。因此,如何权衡服务器可用计算资源和信道状态,合理匹配用户与服务器,调度处理器,分配通信资源与异构化计算资源,成为新的挑战。为应对这些挑战,本文致力于研究异构环境中的计算卸载和资源分配策略。异构环境指异构网络和异构计算系统。主要研究内容与成果总结如下。1)针对服务器计算能力差异化MEC系统,提出计算卸载决策和传输功率分配联合控制方法,解决了系统级能耗最小化问题。当多服务器共存,综合考虑可用计算资源、信道状态和时延要求,实现最低的系统级能耗是一项挑战。将系统级能耗最小化问题表征为计算卸载决策和传输功率分配的联合优化问题,该问题属于混合整数非线性规划范畴。为了有效解决此问题,将原问题分解为传输功率分配问题和计算卸载决策问题。关于传输功率分配问题,证明可行传输功率下界是最优解。关于计算卸载决策问题,通过挖掘计算资源和信道状态对系统级能耗的影响规律,提出一个迭代求解框架来优化计算卸载决策。仿真结果表明所提算法性能接近最优算法。2)针对专用和通用服务器并存MEC系统,提出了一种联合管理计算卸载和资源分配的方法,以最小化系统级开销,即用户能耗和任务处理时延的加权和。随着计算系统的异构化,部分边缘服务器成为专用服务器,可以加速执行特定任务,却不能处理其他任务。合理卸载多样化计算任务以充分利用专用服务器的计算潜能成为需要解决的问题。据此提出了联合优化计算卸载决策和资源分配的系统开销最小化问题。根据问题结构特征,将其分解为资源分配问题和计算卸载决策问题。采用二分法和凸优化理论对资源分配问题进行求解。为合理匹配用户与服务器,设计基于用户偏好函数和卸载损耗函数的计算卸载决策初始化方法。提出启发式方法对计算卸载决策深度优化。仿真结果表明,所提算法性能接近最优算法,且优于其他基准算法。3)针对CPU/GPU处理器并存服务器架构,以服务器效用最大化为目标,设计了一种处理器调度和资源分配联合控制方法。服务器效用由用户任务处理效率和区块生成效率的加权和决定。在所考虑的区块链赋能MEC系统中,区块链任务与卸载任务在并行性需求上存在差异,而服务器中集成具有不同并行计算能力的处理器。针对这一现象,以服务器效用最大化为目标提出处理器调度和资源分配联合优化问题。将该问题等价转化为联合资源分配问题和处理器调度问题。基于凸优化理论对异构计算资源和带宽资源分配方案交替求解,得到次优的联合资源分配方案。为合理调度处理器执行任务,提出启发式方法对处理器调度策略迭代优化。仿真结果证明所提方法可以获得近似最优的处理器调度策略,所提联合资源分配方法优于其他基准方法。