相比于传统云无线接入网络,雾无线接入网络增强了网络边缘节点的计算和处理能力,能够支持集中式和分布式自适应协同,平衡网络负载。为了支持未来计算密集型应用的低时延和高处理效率需求,需要雾无线接入网络实现计算和通信的有效协同。然而,由于网络计算和通信资源时空分布不均匀,且紧密耦合,参数维度高,因此难以进行高效优化。此外,深度学习等计算型密集型应用性能无法采用速率、时延等传统通信理论评价指标进行有效表征,因此难以建立理论模型进行性能分析与优化。针对上述问题,本文对雾无线接入网络计算和通信协同性能分析与优化,主要工作与创新总结如下:第一、分析了雾无线接入网络云-雾分层协同计算分流的时延性能,推导了理论闭式解析解,给出了不同计算分流方法获得性能增益的边界条件。首先,基于排队理论将计算任务生成过程建模为泊松过程。接着,通过应用随机几何理论分析了任务卸载到雾节点的概率。在此基础上,分别分析了云、雾计算模式的时延性能,并给出了云-雾分层协同处理的平均时延表达式。为了在云节点的高处理效率和回传链路时延间取得平衡,设计了云层任务卸载权重的优化方案。通过仿真验证了所提方案相较单一计算模式能够取得显著的性能增益。第二、研究了雾无线接入网络基于非正交多址接入的计算分流结果反馈理论性能。首先,基于随机几何理论,推导了单用户计算结果反馈平均成功率的闭式解析解。为了有效提升计算结果反馈性能,设计了一种基于传输功率分配的优化方案。在此基础上,推导了用户簇的计算结果反馈平均成功率的闭式解析解。仿真结果表明了所提方案能够取得一定的性能增益。第三、分析了雾无线接入网络联邦学习的理论性能,推导了面向非独立非同分布数据的模型精度上界,并设计了基于数据共享的联邦学习数据分布差异调和方法,给出了相应计算和通信资源联合优化算法。为了有效衡量联邦学习的模型精度,提出将面向独立同分布数据的集中式学习作为对比方案,并以两种学习方式训练的模型参数差异为评价指标。基于随机梯度下降算法的参数更新模型,推导了两者模型精度差异的理论上界。为了提升联邦学习模型精度,提出了一种基于数据共享的数据分布差异调和方案。为了平衡该方案的额外通信开销和模型精度增益,建立了模型精度、时延和能耗的联合优化问题,并设计了计算和通信资源联合优化算法。仿真结果表明了所提优化算法能够有效提升面向非独立非同分布数据的联邦学习模型精度。