随着信息通信技术和物联网技术的发展,车联网（Internet of Vehicles,Io V）得到了空前发展,并涌现出越来越多的计算密集型和时延敏感型业务,如自动驾驶、实时路况更新等,为人们的生活带来便利。然而,单个车辆有限的计算资源不足以完全支撑这些业务的处理要求,为了缓解车辆计算压力,Io V利用云计算将任务传输至云中心处理,但远距离的数据传输导致的传输时延高、网络不稳定及安全隐患是一个不容忽视的问题。移动边缘计算（Mobile Edge Computing,MEC）通过在靠近用户侧的路侧位置部署服务器,可以在临近数据源的地方就近为用户提供计算服务,进而弥补云计算的时延缺陷,目前已成为Io V场景下有效的数据处理方式。在车联网中,计算任务通过卸载的方式传输至MEC服务器上计算,弥补了车辆算力不足和云端卸载时延高的缺陷。但是,MEC服务器计算资源有限,且可能同时服务于多个计算任务,如何合理分配有限的资源并制定合适的卸载策略对提升用户服务质量和提高服务器计算效率至关重要。因此,本文对车联网边缘计算场景中的计算卸载策略进行研究,为任务选择合适的卸载节点并合理分配通信和计算资源。本文主要研究内容如下:1、在车与基础设施（Vehicle-to-Infrastructure,V2I）的卸载场景下,针对边缘服务器资源有限性及车联网业务多样性,提出一种面向车联网多优先级任务的计算卸载策略。对车辆移动性进行建模,并以任务在本地执行的时延与能耗、卸载执行的时延与能耗、截止时间及在小区内持续时间为卸载决策的依据,确定任务的执行模式。考虑到业务多样性,在任务调度过程中结合任务优先级,采用改进的拍卖算法为可卸载任务匹配适合的虚拟机。仿真证明所提算法在提高资源利用率的同时,可使高优先级任务得到及时处理,保障交通安全性。2、考虑到车辆自身也具有计算能力,为了最大化利用可用的计算资源,在V2I及车与车（Vehicle-to-Vehicle,V2V）卸载场景下,设计出一种自身车辆、协作车辆与MEC服务器的协同计算卸载系统,该卸载系统综合考虑了车辆移动性、协作计算及多用户干扰问题。为了最小化车辆能耗,通过构建V2X计算卸载和资源分配策略,实现卸载决策、信道选择和计算资源分配的联合优化。考虑到计算卸载与资源分配的耦合性,提出一种两级联合优化算法,分别以最优最差蚂蚁系统和单调优化方法求解上级卸载策略和下级资源的最优分配。仿真证明所提算法具有良好的收敛性与寻优能力,同时与其他算法相比能有效提高任务完成数。