增强现实、面部识别和群智感知等新型应用程序快速发展,不仅产生了庞大的计算需求,在响应延迟和设备能耗等方面也提出了更高的要求。而物联网终端在计算资源、存储能力和电池容量等方面严重受限,无法满足上述需求。边缘计算是该问题的理想解决方案,通过在网络边缘提供低延迟和高带宽的计算环境,利用计算卸载技术将任务迁移到边缘节点进行处理,从而有效减少响应延迟、降低终端能耗。但是在战术物联网中,通信环境较为恶劣,网络条件呈现易中断、间歇性连接和低带宽（Disconnected,Intermittent and Low-bandwidth,DIL）的特征,在该环境下使用计算卸载技术需要考虑边缘节点和云端、终端节点和边缘节点之间的实时网络状况,根据上下文变化调整卸载方案,从而实现高可用的边缘服务。本文针对这一问题展开研究。首先针对战术物联网中,边缘节点和云端之间网络连接不稳定、易中断的情况。物联网终端将任务迁移到云端或边缘节点执行时,各节点之间的通信代价受网络影响较大,可能不适合进行卸载。因此,本文将物联网分布式应用抽象为任务依赖关系模型,分析各任务之间的依赖关系,综合考虑任务计算代价和节点通信代价,将多站点协同计算问题建模为代价模型,并基于遗传算法设计了一种计算卸载算法,在应用执行过程中根据网络条件动态求解最优卸载方案。仿真结果表明,该算法在战术物联网中可以有效减少应用的执行代价,相比于其他方案,有着更好的性能。然后,进一步对终端节点和边缘节点之间网络不稳定、易中断的情况进行研究。此时边缘节点无法为物联网终端提供有效的计算卸载服务,但是在边缘环境中,终端之间网络状况较好,部分终端节点处于闲置状态,计算资源充足,这些终端具备提供计算资源协作完成任务的可能性。因此本文对边端协同计算展开研究,利用闲置终端提供计算卸载服务,并结合Stackelberg博弈对任务终端和闲置终端之间的卸载决策过程进行分析,设计了一个分布式两层迭代算法解决终端设备的代价与效用的平衡问题。仿真表明,所设计的算法可以有效减少任务终端代价,提高系统效用。最后,设计并实现了一个边缘计算系统,开发了终端、边缘网关与云平台的各功能模块,并通过图像拼接应用和物体识别跟踪应用验证本文所提方案的可行性,测试结果表明,该系统能够达到预期结果。