目前,通信网的现场维护存在许多问题,如现场维护人员工作经验不足且得不到及时指导、现场维护工作量大、维护工作效率低、用于进行维护工作的设备受资源限制,具有有限的计算资源和电池寿命等问题。此外,随着人工智能、大数据技术以及互联网的发展,基于传统云计算的集中式处理模式的维护体系已经无法满足要求,如现场维护人员向核心网发出海量的内容请求导致信息流变慢甚至造成网络崩溃,现场维护人员和核心网之间的远距离通信使得回程时延和能量消耗不断地增加。针对于这些问题,本文提出了基于智能可穿戴技术的通信网边缘维护架构并引入内容的缓存与计算卸载技术。目前,关于内容缓存机制和计算卸载机制已有很多研究,但仍存在一定的局限性。现有的大多数研究在缓存决策和卸载决策只考虑单个因素,如最小化时延或者能耗,但在通信网的现场维护工作中,同时有对时延敏感的突发型任务和需要大量耗能的例行型任务。在内容缓存方面,许多研究未考虑云-边-端协作缓存内容、用户间可通过D2D（Device-to-Device）通信以及对现场维护人员移动的适应性等。在计算卸载方面,大多数工作没有提出有效的任务分割策略、没有解决用户的饥饿问题、且未考虑动态场景和动态感应效能,无法很好提高现场维护工作的效率。针对通信网现场维护存在的问题与现有研究工作的不足,本文提出了面向通信网智能维护的内容缓存与计算卸载机制。具体为:（1）对基于下载时延和能量消耗联合决策的内容协同缓存机制的研究。首先本文融合网络编码和内容缓存结技术,将内容以编码的形式部署于靠近网络边缘位置,以改善内容分发效率,降低内容冗余传输,提高终端用户体验质量。然后,本文讨论如何建立合适的模型以设计出高效的缓存策略。本文从用户角度出发,考虑用户的移动性并建立用户下载内容的平均时延模型。本文站在内容缓存与分发角度,建立包括缓存能耗、D2D通信能耗、协作传输能耗、回程传输能耗在内的能量消耗模型。本文考虑通信网现场维护场景中存在多种类型,包括时延敏感型和耗能型,本文将下载时延和能量消耗作为评估指标建立服务质量QoS（Quality of Service）模型。最后,以最大化用户QoS问题为目标,设计MEC（Mobile Edge Computing）服务器和终端设备用户之间新的高效的内容协同缓存策略。本文提出ε-混合Q-Learning算法优化缓存文件放置方案,并基于改进的启发式贪心算法和模拟退火算法相结合做出缓存动作选择。如此,既降低算法复杂度又提高了性能还感知系统的状态变化。实验结果表明,本文所提的缓存策略能够提高内容的命中率,降低用户下载内容的平均时延和内容缓存与分发的能量消耗,从而提高通信网现场维护工作的质量和效率。（2）对基于传输时延和能量消耗联合决策的计算卸载机制的研究。在卸载前,本文将任务进行分割,一部分留在本地处理,一部分卸载到MEC服务节点上执行,并提出多合并的计算排序分割算法;在做卸载决策时,本文讨论如何为终端设备用户以最低的传输代价接入一个合适的MEC服务节点,提出了联合传输时延和能量消耗决策的传输代价模型。本文使用考虑了用户公平性的改进的KM（Kuhn Munkras）算法来解决该模型;卸载决策后,本文提出动态能效感知策略。本文通过在终端设备本地处理计算单元时优化调整设备CPU（Central Processing Unit）时钟频率,以及MEC服务节点计算时自适应分配传输功率,提高任务的执行效率。最后,本文进行仿真,结果表明本文所提方案能减少终端设备的传输代价并提高性能,从而提高现场维护工作的水平。