5G网络技术和智能设备的飞速发展催生了越来越多高级应用的出现,这些新兴的应用服务往往具有计算密集和延迟敏感等特点,这给计算能力有限的用户设备带来了很大的挑战。计算卸载是解决该挑战的有效方法之一。传统的移动云计算模式是集中式的处理方案,将计算任务卸载至位于网络中心的MCC云服务器上执行,其缺点在于MCC云服务器通常距离用户较远,网络传输延迟大,无法满足应用服务的低延迟要求。移动边缘计算模式允许用户设备将计算任务卸载到部署在网络边缘的MEC服务器上,以达到既满足延迟要求又完成任务执行的目的。然而,MEC服务器的计算资源毕竟是有限的,尤其难以应付大规模计算密集型业务。云边协同计算模式将MCC的强大计算能力和MEC的低延迟结合起来,因此适合处理各种类型的应用服务。无论是哪种计算模式,计算卸载一直都是其中的重点研究问题之一。一个好的计算卸载策略能够将任务卸载到最合适的计算节点,以满足应用服务的各种需求。本文在云边端网络架构下对计算卸载问题进行研究。具体研究工作可概括为以下几点:（1）首先,现有工作的优化目标大都关注时延与能耗的最小化,没有关注用户在计算卸载过程中的收益。用户收益对指导用户设备进行合理的计算卸载有着重要的意义:若用户在当下系统环境中采取某计算动作得到了较大的收益,那么说明该计算动作是匹配当下系统环境的,这将鼓励用户设备在未来相似的系统环境中采取相同的动作选择。故本文提出用户总体收益（the Total User Revenue,TUR）的概念（总体收益涵盖了时间收益以及能耗收益,可用二者加权和表示）,并将TUR引入到本文目标优化问题的定义中。（2）其次,本文针对多用户单小区、一云一边垂直协同网络架构下的计算卸载问题,提出一种基于DQN的自适应智能卸载算法BDTUR。该算法可以针对当下系统环境做出最合适的卸载决策,并且可以根据环境的反馈进行自我学习,不断提高决策的准确性。通过仿真实验结果可知,本文提出的智能卸载算法较之于对比算法有更高的用户总体收益。（3）最后,受到5G网络环境中多小区MEC网络架构的启发,本文将MEC服务器之间的水平协同考虑进来,针对多用户多小区、一云多边垂直与水平双协同网络架构下的计算卸载问题,推广BDTUR算法而得到MBDTUR算法。在双协同架构中,计算任务的卸载地点较之于垂直协同架构有更多的选择。根据仿真实验结果可知,MBDTUR算法的表现不仅依旧优于对比算法,并且优于BDTUR算法在垂直架构中的表现。