第六代（The Sixth Generation,6G）移动网络的大规模商业运营将产生多样化的移动应用,例如移动在线游戏,增强现实和智能导航等。然而,大多数新型应用具有资源密集型和延迟敏感型特点,终端设备大部分是低功率设备且资源有限。因此,用户在本地执行计算任务具有一定的挑战性。由于无人机的低成本,高灵活性和易于部署等优点,无人机网络将成为未来6G通信网络中的重要组成部分。移动边缘计算（Mobile Edge Computing,MEC）可以将计算和存储资源部署在网络边缘,协助终端设备处理高计算量的应用程序,以满足终端设备的低延迟需求。基于无人机网络的边缘计算研究已成为学术界和工业界的热点问题,在传统的无人机网络场景中,很多学者提出基于通信、计算等多维资源联合优化的计算任务卸载方案,但未考虑无人机网络动态变化的网络拓扑结构,因此传统的计算任务卸载方案很难适应动态变化的无人机网络环境。为此,本文提出了一种边缘智能驱动的无人机网络计算任务卸载方案。此外,无人机网络在满足人类智能通信需求的同时,也给终端设备数据的安全与隐私保护带来了极大挑战,对于一些需要原始数据集进行训练的机器学习（Machine Learning,ML）任务,直接将终端设备的原始数据卸载到无人机进行计算将会泄露终端设备的数据隐私。为此,本文考虑利用联邦学习来提升对终端设备隐私数据的保护。本文具体的研究工作如下:（1）首先,本文针对无人机网络中的计算任务卸载及资源分配问题,从无人机效益的角度出发构造优化问题,考虑到计算卸载环境的时变特性,采用双重深度Q学习算法（Double Deep Q-Learning,DDQN）对卸载过程中的卸载决策、无人机悬停点、计算资源等变量进行联合优化,在保证地面终端设备计算任务容忍延迟的情况下最大化无人机效用函数。此外,为了使无人机网络边缘计算实时提供最优决策,本文提出了一种基于数字孪生的DDQN算法框架。仿真结果表明,与存在的方案相比,该方案使得无人机获得更大的回报。（2）然后,本文针对无人机网络边缘计算数据隐私保护及资源分配问题,首先提出了一种多无人机辅助联邦学习场景。从时延的角度出发对联邦学习迭代过程进行数学建模,考虑到无人机网络时变特性,采用了多智能体深度确定性策略梯度算法（Multi-Agent Deep Deterministic Policy Gradient,MADDPG）对无人机轨迹、信道资源进行联合优化,以最小化联邦学习的迭代时间。为了进一步提高多无人机联邦学习执行效率和实时做出最优决策,本文提出了一种基于数字孪生的MADDPG算法框架。仿真实验表明,与存在的方案相比,所提算法具有良好的收敛性,可显著降低联邦学习的迭代时间。