随着物联网时代的到来,海量数据对网络的带宽、计算吞吐量带来严重负担,同时对计算与通信有苛刻的实时性要求,而传统的云计算方法无法解决这一瓶颈。为缓解这一问题,欧洲电信标准化协会于2014年提出移动边缘计算(Mobile Edge Computing,MEC)概念,即一种“尽可能靠近用户的,同时可以在无线接入网内提供IT基础服务和云计算服务的新平台”。在边缘计算中,任务卸载是一项关键技术,也是当前学术界的研究热点。然而,当前关于任务卸载的研究工作虽然众多,但在具有完成截止时间限制下的依赖性任务卸载算法的研究工作乏善可陈。鉴于此,本文研究了由云服务器、MEC服务器以及用户终端组成的异构网络中具有完成截止时间的依赖性任务卸载算法。此外,本文的研究基于有限的通信及计算资源,能更好地模拟真实系统。本文所提出的算法具有两个阶段:最小化应用执行延迟阶段(LM)与系统能耗优化阶段(ECO)。在LM阶段,本文设计了基于滑动开始时间动态调度算法(USTDS)的再调度算法。与传统方案相比,USTDS算法将传统的指派问题转化成了灵活度更大的指派-排序(链表插入)问题。算法在执行过程中,并不决定每个节点的最终开始时间而只决定节点之间的相对执行顺序,从而将节点的最终决策时间推迟到算法的最后时刻。这一做法赋予了节点更多可调整的空间,增加了调度的灵活度。此外,得益于USTDS算法的迭代搜索属性,它对调度解的可调整空间更大。在ECO阶段,本文将LM阶段得到的“可用”延迟(提前于Deadline)转化为相应能耗的降低,从解优化与系统优化两个维度出发,提出了领域搜索优化算法与频率调制优化算法。为了有效地压缩解空间,本文提出“松弛路径”概念,以避免陷入全局搜索。本文在不同拓扑结构的DAG任务图下对所提出的任务卸载算法进行对比测试,并评估了节点个数、通信计算比率对任务卸载的延迟与能耗的影响。仿真结果证明:相比现有算法,本文提出算法更加高效,并适用于移动边缘计算的任务卸载场景。