目前,由于物联网和智能移动设备的广泛使用极大地促进了许多延迟敏感型和资源密集型应用的发展,例如虚拟/增强现实、人脸识别等应用程序。随着应用程序越来越复杂,所需的资源也在不断地增加。然而,智能移动设备通常是资源受限的,例如设备的处理速度、内存大小以及电池电量等有限,这使得智能移动设备没有足够的计算资源用于执行复杂的应用程序。边缘计算（Edge Computing,EC）已成为执行延迟敏感型和资源密集型应用程序的新型计算范式。然而,很多应用程序的任务可以划分为多个相关任务,例如,人脸识别应用可以分为五个相关的任务:目标获取、人脸检测、预处理、特征提取和分类。当这些任务卸载到边缘节点时,需要考虑任务之间的依赖关系。例如,任务“特征提取”的输出是任务“分类”的输入。因此,“分类”任务只有在“特征提取”任务完成后才能开始。先前大部分研究工作忽略了任务的相关性和边缘节点的异构性对卸载策略的影响,这可能导致不可行的调度决策。本文主要研究了由多个终端设备和多个异构边缘节点组成的多接入边缘计算系统中相关性任务的调度决策。首先,本文研究相关性任务在异构边缘节点上的调度,将问题形式化为异构环境中的相关任务调度问题（Correlative Task Scheduling in HEterogeneous environment,CTSHE）,并证明这个问题是NP难的,然后提出了基于速度的最早时间优先调度算法（Speed-based Earliest Time First Scheduling,SETFS）以解决CTSHE问题,并提供了算法在最坏情况下的近似保证。最后通过在随机生成的DAG和分子动力学代码DAG上进行大量的模拟,以分析SETFS算法在makespan和运行时间上的实验结果。仿真结果表明,SETFS算法可以显著提高任务的makespan。此外,SETFS适用于处理速度和单位传输时间异构性高的大规模相关性任务调度。接着,本文研究了更复杂的系统模型,由于应用程序上有些任务必须要在本地完成,因此,研究了相关性任务在本地和边缘侧的联合调度方法,并研究了多接入边缘计算卸载场景下的另一个不可忽视的能耗问题。本文将问题形式化为在满足应用程序的完成截止时间约束的条件下最小化系统中的能耗,并提出联合调度算法（Joint Scheduling,JS）解决该问题。最后通过仿真实验分析JS算法在应用程序的完成率和系统能耗两方面的实验结果。仿真结果表明,JS算法在应用程序的完成率上优于其它对比算法并且至少可以节省43%的系统能耗。