随着5G技术的逐步商业化,安装了各种新奇应用的用户设备对于我们已经不可或缺。类似VR/AR这样的高计算量应用通常是利用摄像头和本地传感器来执行基于实时感知操作。而这些应用有两个主要特性:第一,用户设备必须对传感器产生的数据流进行高速处理。第二,在数据流中提取有用信息的方式通常需要计算密集型服务支撑。由于上述两个特性,且用户设备计算资源有限,因此很难在用户设备上独立运行具有高计算量需求的应用。为此,可通过计算卸载与任务分配技术来解决应用程序需求与设备能力不匹配的问题。计算卸载一般指用户将高计算量任务迁移到计算资源丰富的服务器,并由服务器端进行任务处理,执行完成的结果通过各种通信网络技术回传到用户设备上。上述过程是在极短的时间内完成的,而这也刚好满足实时性操作系统的低时延要求。任务分配技术是将计算任务进行拆分,并考虑将拆分任务放在适宜该任务的服务器上,以此来降低整体任务执行时延与用户能耗。本文基于上述两个问题,主要研究工作及成果如下。（1）针对边缘环境下的计算卸载,首先,利用软件定义网络和服务组合的思想,形成了软件定义服务组合SDSC架构。在该架构中,SDN控制器部署在网络边缘,并通过集中式管理来进行服务组合。然后,将拥有低时延特性的服务组合定义为SCO约束满足问题,以此来满足用户特殊服务需求。最后,在MEC环境引入了服务质量QOS约束函数,以此来建立服务发现和计算卸载机制,使得用户能够获得较低的延迟与较高的用户服务质量。（2）针对边缘环境下的任务分配,首先,在边缘环境中引入云服务,形成了用户层、边缘层、云层三层协作架构。其次,将应用程序定义为可分区DAG模型,其中DAG中的普通节点计算资源要求少,关键节点计算资源要求高。再次,对任务和计算资源进行了联合约束限制,但是由于只考虑任务分配,因此将资源分配中的资源设置为定值,以此来求解任务分配问题。最后,针对用户任务分配问题,建立了一种启发式任务分配MECTA算法,通过该算法对任务分配进行建模,并对三个经典DAG模型在Matlab上进行了仿真分析,结果表明该算法与其他几种算法相比,能更快的找到任务分配最佳节点,并能减少用户任务执行能耗。