随着物联网、车联网和5G等技术的不断发展,虚拟现实、增强现实、智能家居、智能电网和无人驾驶汽车等新型应用层出不穷。这些应用都需要更强的计算能力、更高的带宽和更低的时延,并且这些新型应用会产生较高的能耗。由于用户设备上的资源是受限的,很难达到新型应用在时延和能耗上的需求。移动边缘计算（Mobile Edge Computing,MEC）将服务器配置在基站侧,为周边用户提供计算和存储服务,有效的缓解设备资源受限与新型应用需求高的问题。通过将任务卸载到MEC服务器来满足低时延、低能耗、高可靠性等要求,提高用户服务质量（Quality of Service,Qo S）。因此,选择合适的计算节点进行任务卸载及资源分配成为研究的主要问题。本文依据深度强化学习（Deep Reinforcement Learning,DRL）在决策问题上的成功案例,在多用户多服务器的MEC小区场景下,提出一种基于DRL的任务卸载与资源分配算法,优化用户任务的时延和能耗。本文具体工作如下:（1）在多用户多服务器的场景下,构建了基于DRL的MEC系统模型,对用户的任务优先级、本地计算与卸载计算模型进行建模。综合考虑了任务的优先级、移动性、时延容忍和计算节点的资源容量等多个因素,把任务的时延和能耗相对于本地执行的提升定义为系统效益,以最小化平均时延和能耗作为优化目标来提升系统效益。（2）提出基于K近邻（k-Nearest Neighbor,KNN）方法的计算节点选择算法（mec k-Nearest Server Select,m KSS）,该算法在多MEC服务器场景下,将时延、能耗、计算资源及移动性作为用户选择任务卸载节点的依据,避免了单个MEC服务器过载。（3）将m KSS算法分别与Q学习（Q-learning,QL）和深度Q网络（Deep Q Network,DQN）相结合,相应的提出了基于QL的任务卸载与资源分配算法（mec k-Nearest Server Select Q-learning,m KSSQ）和基于DQN的任务卸载与资源分配算法（mec k-Nearest Server Select Deep Q Network,m KSSDQ）。把MEC系统的任务卸载与资源分配问题建模为马尔可夫决策过程（Markov Decision Process,MDP）,设置了系统的状态、动作和奖励。在用户任务卸载时,通过智能体与MEC环境的交互,首先使用m KSS算法为用户选择计算节点,再根据用户任务的优先级分配计算资源,实现了平均时延和总能耗的双优化,提高了系统效益。实验结果表明,在不同条件下,本文提出的算法明显优于本地卸载、全部卸载和随机卸载三种策略,有效的降低了时延和能耗,提升了MEC系统效益。