随着第六代（Sixth Generation,6G）移动通信技术以及物联网技术的飞速发展,移动计算的方式从集中式的移动计算逐渐转变为移动边缘计算（Mobile Edge Computing,MEC）。MEC技术的出现最大限度地减少了端到端延迟,为用户提供了高质量服务,而无人机（Unmanned Aerial Vehicle,UAV）辅助MEC技术的出现,能够在恶劣环境下为用户提供更加灵活和有效的计算服务。一方面,提高UAV辅助MEC网络中任务卸载时的服务质量（Quality of Service,Qo S）是需要迫切解决的问题。另一方面,UAV辅助MEC网络中的安全问题也有待我们进一步研究。此外,人工智能技术作为推动6G技术发展的重要驱动力,在UAV辅助MEC网络中的应用也逐渐增加。因此,本文基于深度强化学习技术对UAV辅助MEC网络中的Qo S问题及安全问题进行研究,主要贡献如下。（1）针对UAV辅助MEC网络中任务卸载时的Qo S问题,提出一种基于双深度Q网络（Double Deep Q Network,DDQN）的算法,优化飞行轨迹和任务卸载方案来提高地面用户的Qo S。首先,建立任务密集场景下的网络模型,其包含多个地面用户和一个搭载MEC服务器的UAV。且系统在毫米波频段工作,UAV和地面用户均配备多输入多输出天线阵列。其次,通过分析定向波束成形中的最大增益和建立相应的路径损耗模型,获得综合波束成形和路径损耗的信道增益模型。并根据服务过程中的卸载任务的数量与延迟定义所要研究的Qo S评价指标,对要解决的Qo S问题进行描述。最后,将问题建模为一个马尔可夫决策过程并定义UAV的状态、动作和奖励函数,提出基于DDQN的Qo S最大化算法。改进的基于DDQN的算法进一步利用了估计网络,解决了基于DQN算法中过高估计的问题。UAV通过所提基于DDQN的算法优化飞行轨迹和任务卸载方案来提高地面用户的Qo S,对比基于DQN的算法和传统算法,仿真结果表明所提算法能够有效提高地面用户的Qo S且降低卸载任务的延迟,此外UAV可以获得很好的三维飞行轨迹。（2）针对UAV辅助MEC网络中UAV为地面用户服务时的安全问题,提出基于竞争-深度Q网络（Dueling-Deep Q Network,Dueling-DQN）的算法优化UAV飞行轨迹来提高地面用户的安全性。首先,建立窃听者存在场景下的网络模型,其包含一个地面用户和一个UAV和一个窃听者,且它们之间均采用短分组通信模型。其次,详述网络中的短分组通信模型,将UAV飞行过程中系统的保密速率进行描述,并提出基于短分组通信的物理层安全问题。最后,将问题建模为一个马尔可夫决策过程,并定义系统的状态、动作,通过保密速率来设计UAV飞行过程中的奖励函数,提出基于Dueling-DQN的保密速率最大化算法。改进的基于Dueling-DQN的算法在深度神经网络中加入了两个价值函数,提高了代理的学习能力。UAV通过所提基于Dueling-DQN的算法来优化飞行轨迹,和基于DQN的算法以及传统算法相比,仿真结果表明UAV能够合理地调整飞行轨迹来避开窃听者,并提高UAV为地面用户服务时的保密速率以保证服务过程的安全。