随着物联网与移动通信技术的发展,近年来各种设备数量以及数据量呈指数级增长,同时出现众多诸如自动驾驶、虚拟/增强现实（VR/AR）以及人脸识别等计算密集且延迟敏感型新兴应用程序。然而,智能终端设备由于所搭载的计算、存储资源以及电池容量有限,不适合进行长时间的复杂计算,并且也无法满足计算延迟需求。同时传统云计算虽然能够提供强大的算力与充足的资源,但却由于引入过大的通信延迟导致依旧无法满足应用在实时性方面的要求。移动边缘计算技术在这样的背景下应运而生,通过将计算与存储资源部署在网络边缘就近提供服务,从而达到降低通信延迟以及减小对回程网络压力的目的,因此成为解决本地计算的高计算延迟与云端计算所引入的高通信延迟之间矛盾的新型计算范式。移动边缘计算虽然已经受到广泛关注并且取得众多研究成果,但现有相关研究普遍忽略了边缘网络中服务缓存对任务卸载策略的影响,以及复杂任务内部的依赖关系和任务细粒度划分,对边缘服务器的资源利用不够充分,因此很难满足新兴应用程序的延迟与能耗需求。本文使用具有一般性的有向无环图形式任务依赖模型,考虑存储资源有限的边缘服务器上服务缓存对卸载策略的限制,以及任务产生和本身负载量的不确定性并使用排队论建模子任务在边缘服务器的执行过程,充分挖掘任务依赖结构中的并行性从而最小化任务整体服务延迟。文章先后对已有服务缓存的边缘网络中针对具备依赖关系任务的卸载策略以及联合优化服务缓存策略与计算资源分配策略两个问题进行研究,首先对问题进行系列分析并通过推导证明问题NP-hard的性质,然后提出基于任务依赖关系结构以及异构边缘服务器属性的启发式算法获取以最小化服务延迟为目标的策略。最后通过充分的仿真实验将本文所提算法与最新相关算法进行比较,证明所提算法的有效性以及在性能上的优势。