4G/5G的出现驱动了移动边缘计算（MEC）和移动群智感知（MCS）的发展,其中边缘服务器部署、服务部署以及感知任务分配等问题受到学术界的广泛关注。本文将结合聚类算法、非线性规划、次模优化理论等对MEC的边缘服务器部署和服务部署及MCS的任务分配进行研究。主要包含的工作有:（1）提出一种联合边缘服务器部署和服务部署的两步算法,考虑MEC平台的经济效益。移动边缘计算中同时考虑边缘服务器和服务部署的研究很少,然而不同的边缘服务器部署方案会导致每个边缘服务器需要部署的服务不尽相同,进而影响每个边缘服务器的服务部署。此外,不同服务的请求率和价格存在差异,需要合理的服务部署方案来提高MEC系统的整体利润。本文设计了边缘服务器部署和服务部署的联合模型,考虑了边缘服务器数量、边缘服务器与基站的关系、边缘服务器的存储和计算能力等限制,并在服务部署中显式地考虑了当前边缘服务器部署结构以及不同服务的请求率和价格,最终目标是最大化MEC系统的整体利润,并提出了一种包含聚类、最近邻和内点法的两步算法框架来求解该模型。最后,基于真实数据集的实验结果表明本文提出的算法具有良好的性能。（2）提出一种对感知时长敏感的任务分配方法,满足MCS任务对感知时长的要求。移动群智感知中对具有一定感知时长的任务分配研究很少,然而,感知时长是许多感知任务成功与否的关键因素,例如将监测人群流动状态的任务分配给能录制一定时长视频的参与者比分配给只能拍照的参与者能获取更多的信息。本文设计了一个对感知时长敏感的任务分配模型,显式地考虑感知任务对感知时长的要求。该模型旨在满足感知时长和参与者最大任务数量的条件下最大化感知任务完成的数量。随后本文设计了一个基于指数分布的概率效用函数来评估参与者完成任务的可能性,并将任务分配模型转化为单基数约束下的次模优化问题。随后提出了一种最优近似比为1-1/0)0)的贪婪启发式算法进行任务分配。最后,基于模拟数据集和真实数据集的实验结果表明本文的贪心算法性能较优。