随着信息技术的发展,万物互联的时代已经到来。同时,网络边缘设备的数量每天都在增加,导致数据的爆炸性增长,对实时通信系统的设计提出了更大的挑战。移动边缘计算（mobile edge computing,MEC）被认为是提高移动用户计算能力、实现低延迟通信的潜在解决方案。通过利用邻近的MEC,资源有限的移动用户能够将计算任务卸载到功能更强大的MEC服务器上进行远程执行。同时,MEC应用于车联网可以有效地解决当前城市交通的拥堵问题,还可以支持各种丰富的车辆应用,包括自动驾驶,道路监控、实时导航等。本论文以联合卸载和计算的MEC系统为研究对象,分别对基于多载波协作中继的高能效MEC传输网络和基于时变衰落信道的车辆边缘计算网络（vehicular edge computing network,VECN）进行深入研究。从协议设计、问题建模、问题求解和系统性能仿真四个方面对5G物联网场景下的联合卸载和计算的MEC技术进行了研究。在基于多载波协作中继的高能效MEC传输网络中,接入点和中继节点通过多载波子信道为用户端提供服务。中继不仅可以协助任务卸载,还可以协助任务计算。首先,设计了一种新颖的协作式MEC协议,其中通过集成无速率编码技术将多载波子信道用于并行任务卸载。然后,在新协议下,考虑任务计算的时延约束,通过联合优化子载波分配、功率分配、任务分配以及任务卸载时间和计算时间分配,最小化用户端和中继节点的任务卸载与计算总能耗。资源分配优化问题被建模为混合整数规划问题,利用连续松弛方法和连续凸逼近方法,依次得到了系统总能耗下界和一种可接近下界性能的迭代优化算法,仿真结果表明,与中继仅协助任务卸载或任务计算的基线方案相比,所提出的联合协作任务卸载和计算方案可以显著降低能耗。针对基于时变衰落信道的VECN的设计,我们的工作考虑到由于车辆的快速移动性,VECN中的无线信道将随时间变化。与假设基于时不变信道的VECN相比,更符合实际情况。首先,通过共同优化VECN中的任务卸载和计算,将车辆能源消耗的货币成本和路边单元的租赁成本降至最低。由于建模问题涉及非因果信道状态信息（channel state information,CSI）,因此该问题是无法直接求解的。然后,本论文采用了路径预测模型来预测车辆的未来位置,从而可以估算出非因果CSI。但是,直接求解该问题将导致较高的计算复杂度。为此,提出了基于共识交替方向乘子法的算法,以较低复杂度的分布式方式求解该问题。仿真结果证明了我们提出的方案的优越性能。