近年来,随着移动智能设备数量的快速增长,出现了大量的任务处理需求,也给现有的云计算体系带来了巨大挑战,移动边缘计算(Mobile Edge Computing,MEC)这一新兴网络架构将云平台的功能下放到网络边缘,在靠近用户的位置为终端设备提供近似本地化的计算服务,能够有效地降低任务的交付时延和设备能耗。任务卸载问题是MEC的核心问题之一,关系到整个系统的资源统筹规划,本文主要关注MEC系统中的任务卸载决策问题,在考虑信道信息误差的前提下,开展了一些积极的研究,具体工作如下:1、对当前MEC任务卸载相关研究中常用的理论模型进行了归纳和整理,包括任务卸载场景中的网络结构、通信方式、计算任务建模等,对任务执行过程中能耗与时延的建模过程进行了详细推导,以便于将能耗和时延作为优化准则来构建优化问题。2、针对独立MEC单元中的任务卸载场景,设计了数据传输与任务执行过程的数学模型,将系统整体能耗与执行延迟的加权和作为系统的总代价,并在数据传输过程中引入信道信息误差,构造了一个MEC卸载决策优化问题。针对该问题,提出了一种基于遍历随机优化(Ergodic Stochastic Optimization)的MEC卸载决策算法,不需要提前知道引入误差后信道参数的概率分布,而是通过观察每一次迭代过程中的参数状态,来确定资源分配策略,并且几乎可以收敛到最优值点。3、将独立单元的任务卸载问题拓展到多单元的应用场景中,考虑了相邻单元中,通过相同信道进行数据传输的设备之间的干扰,设计了多单元情况下MEC任务卸载的数学模型,构造了一个卸载决策优化问题。提出了一种基于遍历随机优化的多单元MEC卸载算法,并将迭代过程中的子问题根据卸载决策进行拆分求解,通过迭代使结果逼近最优值点。对以上工作进行计算机仿真验证,在引入信道信息误差的情况下,与常规算法相比,本文所提算法能够给出较小的系统总代价,并且随着设备数量和误差的增加,所提算法仍能保持较好的性能。