在移动边缘计算(mobile edge computing, MEC)密集部署场景中，边缘服务器的资源异质性和环境状态的复杂多变性给设计有效的任务卸载和资源分配策略带来了显著挑战。针对该问题，建立了数字孪生边缘网络(digital twin edge networks, DTEN)模型。以最小化任务的长期处理时延为优化目标，在带宽、计算和存储等多维资源约束下，提出了一种数字孪生(digital twin, DT)辅助的MEC用户关联、任务卸载、服务缓存和资源分配联合优化问题；考虑到高度动态化的网络特征，将优化问题抽象成部分可观测的马尔科夫决策过程(partially observable Markov decision process, POMDP),设计了一种基于深度强化学习(deep reinforcement learning, DRL)的任务卸载方案，利用DT中物理实体的映射数据对神经网络进行训练；考虑到DT的估计值与实际值之间存在时延偏差，讨论了时延偏差对任务处理时延的影响。大量仿真实验表明，提出的方案有效地降低了任务处理时延，提高了缓存命中率。