网络功能虚拟化（Network Function Virtualization,简称NFV）和移动边缘计算（Mobile Edge Computing,简称MEC）是第五代移动通信网络技术中最核心的两大技术,因此,在移动边缘网络环境中部署服务功能链（Service Function Chain Allocation,简称SFC-A）在提高用户的体验质量（Quality of Experience,简称QoE）方面具有极其重要的作用。与传统云计算场景中的SFC-A问题不同的是,在移动边缘计算中的边缘服务器上的计算资源是有限的,这也成为了解决移动边缘计算场景中SFC-A问题的一大挑战。在本文中,移动边缘计算场景中的具有资源限制的SFC-A问题被模型化为一个整数线性规划问题（Integer Linear Programming,简称ILP）,该模型将以最小化总的传输延迟和处理延迟为优化目标。由于SFC-A问题是一个NP-hard问题,是无法在多项式时间内找到最优解的,因此本文提出了GA-SFC-A算法——一种基于遗传算法的求解方法来求解本问题,并通过进行一系列的仿真实验对本算法的性能进行了评估。除此以外,为了克服传统启发式算法求解本问题的缺陷,本文还提出了DRL-SFC-A算法——一种基于深度强化学习的服务功能链部署方法,该方法结合了深度强化学习的试错机制、奖励反馈机制和“探索-利用”能力等优势,能够在很大程度上避免算法陷入局部最优解的情况出现,同时也提高了算法的求解性能。最后,本文进行了大量的仿真实验对本文提出的方法进行了性能评估,实验证明,基于深度强化学习的服务功能链部署方法能够有效的降低大规模服务功能链部署时的平均延迟,以提供给用户更好的QoE保证。