随着第五代(the Fifth Generation,5G)移动通信时代的到来,人类社会生活的多个方面发生了巨大的变化,机器类通信(Machine Type Communication,MTC)技术作为5G关键技术之一,可以容纳大量设备接入网络,在业界得到越来越多的关注。目前针对MTC的研究,主要存在以下挑战:在网络侧,大量设备同时接入基站,会造成网络的接入拥塞;在设备侧,为了保证设备寿命,需要解决机器类通信的能耗问题;在业务侧,机器类通信设备(Machine Type Communication Device,MTCD)受限于自身计算能力,无法支持业务的计算需求。针对其中机器类通信网络侧的接入拥塞问题以及用户侧的计算迁移问题,做了以下三方面研究:针对MTC的大规模设备接入拥塞问题,在基于簇群的MTC场景下,提出了接入控制和资源分配的联合优化策略。在多小区干扰环境下,分析了接入设备选择、信道资源和发送功率分配,构建了以示性函数为目标函数的优化问题。通过对构建的耦合优化问题进行拆分,分别使用凸优化方法和匈牙利算法对问题进行求解,仿真验证了所提算法对MTC接入性能的提升。此外,在两小区场景下,基于拉格朗日乘子法,推导了功率分配的最优闭式解。针对MTC的计算业务受限问题,在动态MTC场景下,提出了接入控制和计算迁移的联合优化策略,构建了集中式接入控制和计算迁移的耦合NP-hard优化问题,为了求解耦合问题,首先在固定资源分配的基础上,提出了启发式的算法寻找最优接入和迁移矩阵,接着求解资源优化问题,获得无线资源和计算资源分配方案,仿真验证了所提算法在保证时延条件下的接入和计算性能。在动态MTC场景下,提出了基于分布式博弈的接入与计算迁移策略,在MTCD时延受限条件下,同时优化MTCD端接入效益和MEC服务器端资源总收益。构建了Stackelberg博弈模型,分布式求解两端的优化问题,利用对数函数将MTCD端的NP-hard优化问题松弛为几何规划问题进行求解,仿真验证了分布式博弈算法达到均衡两端收益的效果,并验证了所提算法相比传统算法的性能提升。