随着信息技术的发展,新兴应用（例如,虚拟现实,增强现实,实时在线游戏等）不断涌现,具有严格时延约束、高能耗和大计算量需求的任务也随之增多。同时,由于用户终端节点的能量、算力等受限,为开展这些新兴应用,传统的方法是将这些任务卸载到中央云服务器进行处理。然而,随着网络连接的终端节点的爆炸性增长,大量计算任务需要及时处理,这给中央云服务器带来沉重的链路和计算负担。为解决上述云计算中存在的问题,雾计算应运而生。它通过在网络中部署大量雾节点,将网络资源从中央云延伸到网络边缘。终端节点的任务可以卸载到附近的雾节点,而非远端的云服务器,从而实现比传统云计算更好的服务质量。在任务卸载过程中,如何设计有效的任务卸载算法以降低任务处理时延或能量消耗是雾计算的重要研究方向。本文针对雾计算中的任务卸载问题进行研究,主要工作和贡献如下:1.在具有多个终端节点和多个雾节点的雾计算场景中,如何在雾节点间的能耗公平性和终端节点的任务处理时延之间进行权衡仍然是一个具有挑战性的问题。为解决这个问题,本文在第三章提出了一种基于Kuhn-Munkres的公平任务卸载算法（KFTO）。KFTO包括两个优化模型:雾节点选择模型和任务卸载决策模型。雾节点选择模型首先根据雾节点和终端节点之间的等效数据处理能力、雾节点历史平均能耗以及雾节点续航能力定义终端节点与雾节点之间的拓扑势能,然后利用Kuhn-Munkres算法从全局出发得到终端节点与雾节点之间的最大势匹配方案。任务卸载决策模型用于获得卸载到雾节点的任务大小,以在满足能耗约束的同时最小化终端节点的任务处理延迟。数值仿真结果表明,所提出的KFTO算法在雾节点之间的能耗公平性和终端节点的任务处理时延之间实现了令人满意的折衷。2.动态电压调节技术为雾计算中的任务卸载提供了一种新的节能方式。本文在第四章研究了由支持动态电压调节技术的终端节点和雾节点组成的雾计算模型的部分任务卸载问题,并建模了此场景下的最小化全局总能耗的优化问题。为解决这一优化问题,提出单雾节点场景下的能耗最小化的部分任务卸载算法（EMPTO-S）。EMPTO-S使用变量代换法将能耗最小化问题转化为关于终端节点计算速度的单变量优化问题,然后解决该问题得到终端节点的最佳计算速度,卸载任务量大小以及全局总能耗。进一步,本文将此场景拓展到单终端、多雾节点的场景,提出相应的多雾节点场景下的能耗最小化部分任务卸载算法（EMPTO-M）。EMPTO-M利用EMPTO-S得到每对终端节点和雾节点之间终端节点的最佳计算速度、卸载任务量大小以及全局总能耗;然后选择使全局总能耗最低的方案作为最终的任务卸载方案。理论证明和仿真结果表明,EMPTO-S和EMPTO-M可以在满足时延约束的条件下,通过动态电压调节技术达到降低能耗的目的。