随着5G（5th Generation Mobile Communication System,5G）技术的发展,B5G（Beyond 5G,B5G）和6G（6th Generation Mobile Communication System,6G）的探讨和研究逐渐深入。未来B5G和6G网络的挑战源自海量移动设备接入导致的高数据速率、高系统容量和高通信成本。MEC（Mobile Edge Computing,MEC）技术为计算资源有限的终端设备提供算力支持,大幅减少用户的计算能耗和处理时延,缓解核心网的数据压力,因此成为B5G和6G时代极有潜力的技术。另外,B5G和6G对移动设备本身提出了更高的要求,新型的应用和复杂的计算任务使得终端设备的能耗巨大。能量收集（Energy Harvesting,EH）技术从外界环境中收集能量供能,有效地提升终端设备的网络生存时间,减少终端的能量限制。综上所述,基于EH的MEC架构成为解决B5G及6G海量智能终端设备接入场景的重要研究方向。本文针对基于EH的MEC场景中的无线资源分配管理问题展开研究,在计算卸载和数据分析场景下展开讨论。本文的主要内容及创新点如下:第一,本文构造了一个使用EH技术的多用户计算卸载的MEC场景。为了延长设备的网络生存时间,从长期时间平均的角度出发,以最小化长期时间系统能耗为目标,同时满足用户的时延、无线资源和计算资源约束。由于信道时变性、任务和能量包到达的随机性,本文使用深度强化学习算法进行资源分配决策。第二,在计算卸载场景中,由于发送功率是连续变量,因此本文使用基于深度强化学习的深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法进行求解,从而克服了收敛缓慢和“维度灾难”问题;而带宽分配决策是凸优化问题,因此使用传统凸优化算法进行求解。通过算法仿真分析,基于DDPG的资源分配算法能够有效减少系统能耗。第三,考虑使用MEC实现数据分析的场景,终端设备收集环境数据并上传到MEC服务器侧进行集中数据分析。终端设备通过EH技术收集能量以上传收集数据。为了满足数据分析场景中的信息年龄（Age of Information,AoI）需求,本文以信息年龄为约束,最大化系统长期时间平均吞吐量效用函数。第四,在数据分析场景中,长期时间平均问题是难以求解的,本文提出使用李雅普诺夫（Lyapunov）优化方法进行求解。通过将信息年龄约束转化为虚队列,原问题转换为可以使用Lyapunov优化的形式。基于Lyapunov优化,原问题被分解为四个独立的子问题,分别对数据采集丢弃量、无线资源分配和计算资源分配进行了优化。并通过仿真,验证了算法在AoI约束下提升系统吞吐量的有效性。