5G网络的发展与落地和移动设备（Mobile Device,MD）的普及,带来了海量设备连接与计算需求的增加。类似视频识别、远程医疗等应用场景,不仅提升了对设备计算能力的要求,而且对时延提出了更高的要求。移动边缘计算（Mobile Edge Computing,MEC）通过在网络边缘或近终端位置部署计算与存储资源,为高密集型计算需求、低时延要求或更低能耗要求的设备提供计算卸载服务,从而更好地实现设备任务的处理。计算卸载技术联结了用户任务的卸载,服务器资源的分配,对于提升服务器的任务处理效率非常重要。论文设计了5G网络下的两种不同通信场景,并根据不同的通信场景展开研究,探究MEC中的计算卸载优化问题,通过研究取得了如下成果:针对单层通信网络场景中多用户的计算卸载问题,在边缘服务器资源受限的条件下,首先,根据任务通信数据量与计算数据量构建计算模型与通信模型。其次,构建服务器计算资源分配问题的数学模型,并证明目标函数为凸函数,从而证明了该问题的可解性。然后,联合考虑了用户设备的时延和能耗,并将时延与能耗进行归一化处理,以两者的加权和作为系统效用函数,用来表示卸载计算所取得的效用值。最后,在模拟退火算法的基础上,结合计算资源分配的处理过程,提出并实现了联合计算资源分配与卸载决策方法,以实现总效用的最大化。采用MATLAB软件实现算法仿真,结果表明该卸载策略不仅能够动态的根据用户设备对时延或能耗的权重值大小做出调整,而且能够达到最优化计算卸载收益的目的。针对双层通信网络场景中多用户的计算卸载问题,联合优化了通信与计算资源分配,并设计系统增益函数,作为计算卸载的评价标准。首先,以任务的数据量与计算量这两个属性为基础,建立了任务预分配的区间模型,实现卸载策略的预分配;接着,考虑在双层通信网络中设备数量较多,导致其对于通信资源的竞争力度增大,设计了基于位势博弈的通信资源分配方法,以实现网络内总吞吐量的最大化。然后,以数据量和时延约束为基础,采用（0,1）标准化方法,建立了任务优先级模型,实现MEC服务器端的计算资源分配方案。最后,根据优化函数的增益值迭代对比,对预分配的卸载策略进行更进一步的优化,以实现增益值的最大化。使用MATLAB软件进行实验仿真,结果表明,该卸载策略能够获得较优的吞吐量性能,且在用户数量不断增加的情况下能够实现增益值的增长与平稳。