随着世界范围内物联网技术在生活中的广泛应用,智能设备在智慧城市、自动驾驶和工业互联网等场景中发挥着重要作用。由于智能设备产生的数据量呈指数增长,具有低时延、高存储和复杂计算需求的任务越来越多,从而造成智能网络设备与云计算中心之间的通信效率低下,且通信成本非常高昂。边缘计算（Edge Computing,EC）技术的出现旨在将云计算功能扩展到靠近用户终端的网络边缘,为用户带来近距离的计算能力和存储能力。通过将用户终端的任务请求卸载到边缘计算服务器（Edge Computing Server,ECS）上处理,用户终端的任务处理延迟与能耗可以得到明显减低。由于边缘计算技术是一种分布式架构,每个ECS独立运行。当用户产生的任务对计算和存储资源的需求复杂多样时,单个ECS不足以提供其所需全部资源。协作式边缘计算可以通过联合用户终端、ECS以及云服务器的资源进行动态分配,在满足用户时延和能耗的约束下提供服务。但是,目前基于协作式边缘计算场景的研究内容较少且大多建模为非凸优化问题,如何设计有效的协作策略及相应算法依然非常具有挑战性。本文针对协作式边缘计算场景中的计算卸载与资源分配问题、请求接收与内容缓存问题分别进行了研究,主要的工作和创新性如下:第一,针对当前边缘计算策略中存在的处理时延过高,资源分配不合理问题,提出了基于云边端协作式边缘计算场景中的计算卸载与资源分配联合优化策略。本文考虑了用户终端的时延敏感性和ECS的计算资源受限约束,建立以系统效益最大化为目标的非凸优化模型。将非凸优化模型通过等式变换转化成广义几何规划问题,再通过常数下界松弛与提前剪枝方法重新设计了分支定界迭代算法。最后通过仿真实验验证了所提算法的有效性,提高了系统的效益。第二,针对当前边缘缓存策略存在的能耗开销大,用户附近ECS上缓存内容与其兴趣喜好不匹配的问题,提出基于边缘协同缓存场景中的任务请求接收与内容缓存联合优化策略。本文考虑了用户终端时延敏感性和ECS存储资源受限约束,建立以系统效益最大化为目标的非凸优化模型。将原问题解耦成任务请求接收决策子问题和内容缓存决策子问题,并针对这两个子问题提出基于凸规划和模拟退火的联合迭代算法进行求解。最后通过仿真实验验证了所提策略的收敛性和有效性,提高了系统效益和内容命中率,降低了用户需求平均完成时间。