360度视频的高精度和全景特性既给用户带来了沉浸式体验,也使其在现有网络中传输面临巨大的挑战。这种挑战性表现在传输整个360度视频会占用大量的带宽资源,容易引起网络拥堵和造成传输延迟。事实上,当用户佩戴头戴式显示设备观看360度视频时,同一时刻仅能看到一部分视频区域。因此,结合Tiling技术和自适应流传输技术,将360度视频在时间和空间上切片,以Tile粒度传输视频可以节约大量带宽资源。另一方面,边缘缓存技术可以缓解视频请求高峰期的回传链路压力。但是,在自适应360度视频流传输应用中,360度视频切片集合庞大,单个边缘服务器的存储资源不足以满足缓存360度视频切片的需求。因此,联合调用边缘网络中多个边缘服务器的存储和计算资源可以缓解单一边缘服务器、单一资源支持自适应360度视频流传输的压力。因此,本文提出利用边缘网络中多个边缘服务器的存储和计算资源,在Tile粒度联合决策边缘缓存、转码、分发策略,辅助360度视频自适应流传输。首先,本文设计了基于Tile的边缘联合缓存、转码、分发传输框架,并阐明了边缘服务器的各个功能模块。基于提出的传输框架,本文对问题进行了数学建模,并将联合边缘缓存、转码、分发问题列成一个多变量的非线性整数规划问题,旨在满足各个边缘服务器的存储和计算资源容量限制和保证用户请求得到响应的前提下,最小化边缘网络的综合运营成本,并平衡各个边缘服务器的计算负载。多变量的非线性整数规划问题是一个NP难问题,难以求解。本文通过问题分解和问题近似,提出了一种求解优化问题的迭代算法。通过实验验证,本文提出的算法在360度视频自适应流传输系统的资源智能调度、成本控制和负载均衡控制方面都取得了优秀的表现。当用户请求动态变化,难以被精确预测时,上述基于优化的静态边缘缓存、转码、分发策略不再适用。因此,本文又提出了一个基于深度强化学习的动态边缘缓存、转码、分发策略,旨在满足网络物理约束条件的同时,根据环境状态和用户请求动态地采取联合边缘缓存、转码、分发动作,以最小化边缘网络的综合运营成本。具体地,本文重新建模了动态传输模型和强化学习要素,设计并搭建了基于深度确定性策略梯度的深度强化学习网络,训练联合决策网络。为了解决基于Tile的自适应360度视频流传输中动作空间过大的问题,本文在实现深度强化学习网络时提出了一种基于缓存决策备选集的缓存Actor设计方案。最后,通过仿真实验验证,本文提出的基于深度强化学习的动态边缘缓存、转码、分发策略能够较快收敛,并能达到近优的资源调度性能。