近年来,随着移动通信技术的发展,以及城市信息化应用水平的提高,智慧城市的建设应运而生。作为信息化城市发展的高级形态,智慧城市以物联网(Internet of Things,IoT)、云计算等新一代信息技术为基础,通过系统、整合的方式优化城市运营,能够实现合理的资源配置,为人们提供更高的生活质量。智慧城市中,从智能交通系统到实时空气质量监测,数以亿计的IoT设备无时无刻不在产生数据,以支持城市系统的运行。此外,新型网络应用(如:移动高清视频、虚拟现实/增强现实(VR/AR))在丰富人们生活的同时,也产生了巨大的移动网络流量。传统单一网络结构受基础设施数量的限制,带宽、存储和计算资源有限,无法应对这些激增数据的即时传输、存储和处理需求,这样会极大地降低城市的运行效率。智慧城市是建立在蜂窝网、无线局域网和车联网(Internet of Vehicles,IoV)等多种网络组成的混合异构通信网络之上,不同网络结构在通信、存储和计算等资源方面存在冗余。针对数据和计算密集型业务,在目标网络资源受限的情况下,可以利用其他网络中的空闲资源对其进行补充,以实现对业务的快速响应。因此,智慧城市可持续发展的关键是设计适合于这种混合异构网络的联合资源管理模式,即负载迁移(Offloading)。这其中,如何应对网络的异构性、资源的异质性、以及如何保证数据、计算服务前后的一致性,都是负载迁移机制设计中亟待解决的问题。鉴于此,本文针对混合异构网络中的数据和计算负载迁移技术进行了研究,主要研究成果如下。针对蜂窝网和无线局域网组成的混合异构网络,本文研究了“基于虚拟运营商(Mobile Virtual Network Operator,MVNO)的数据负载迁移策略”。首先,本文给出了网络各级运营商的数据服务盈利模型,并将MVNO之间的数据流量分配建模为非合作的流量博弈问题。然后,本文分别基于古诺(Cournot)和斯塔克伯格(Stackelberg)模型,研究了两种竞争模式(对等、非对等)下的流量博弈问题,并分析和证明了两种均衡的存在性和唯一性,进一步设计了基于遗传算法的流量分配策略。仿真结果表明,本文所提出的流量分配策略在对蜂窝网数据负载进行迁移的同时,能够最大化网络经济效益。针对蜂窝网和车联网组成的混合异构网络,本文研究了“基于边缘缓存的视频数据负载迁移机制”。首先,本文提出了基于路侧单元(Road Side Unit,RSU)通信时间的车辆移动模型。然后,为了保证视频数据前后的一致性,本文提出了基于车辆通信时间的数据预存储方案。考虑到RSU中的有限缓存空间,本文进一步提出了基于用户服务体验(Quality of Experience,QoE)的视频码率自适应调节机制。仿真结果表明,本文所提出的边缘缓存机制相较于无码率调节的缓存机制,能够满足额外10%到40%的用户业务需求。针对蜂窝网和车联网组成的混合异构网络,本文研究了“基于车载云(Vehicular Cloud,VC)的计算负载迁移机制”。首先,本文提出了基于驻留时间(Dwell Time)的车辆移动模型,来表征车载计算资源的不稳定性。然后,本文给出了计算任务的处理、传输和排队模型。考虑到计算任务间的复杂耦合关系,本文进一步将计算负载迁移建模为NP难的任务调度问题,并根据车辆的全局移动信息和实时位置信息,分别提出了基于时序拓展图(Time Expanded Graph,TEG)和深度增强学习(Deep Reinforcement Learning,DRL)的任务调度机制。仿真结果表明,本文所提出的任务调度机制在对边缘服务器计算负载进行迁移的同时,能够保证高的车载资源利用效率和低的业务响应时延。