在当前信息快速发展的时代,汽车已成为越来越重要的出行工具。为了满足人们在车辆的智能驾驶、车载娱乐和安全出行等方面的需求,车辆必须与外界进行交互,这个数据传输交互的过程被称为车联网（Vehicle-to-Everything,V2X）。智能交通的快速发展对车联网通信的质量和速率提出了更高的要求,传统的通过基站的集中式组网方式无法满足爆发式增长的车联网通讯需求以及频谱资源需求,因此,经过专家学者分析,考虑将设备到设备（Device-to-Device,D2D）通信模式引入到车联网通信中。本文针对车联网中车辆到车辆（Vehicle-to-Everything,V2V）通信的频谱资源共享问题,主要研究内容如下:首先,结合当前频谱资源短缺现状及车联网通信的低延迟、高可靠性的要求,针对车联网中V2V用户的频谱共享问题,本文提出了一种联合模式选择与资源分配的频谱共享算法,该算法可以在保证蜂窝用户和V2V用户通信服务质量（Quality of Service,QoS）的前提下,实现车联网中V2V用户总吞吐量的最大化。首先,基于D2D通信中的三种模式,即蜂窝模式、专用模式和复用模式,本文提出了一种基于距离检测和信道状态信息（Channel State Information,CSI）感知的模式选择方案。为了实现复用模式下频谱资源的最优分配,本文将复用模式下的资源共享问题建模为博弈论问题,利用非合作博弈的纳什均衡点寻找可实现V2V吞吐量最大的资源分配策略。仿真结果表明,本文所提出的联合模式选择与资源分配优化的频谱共享算法能够保证蜂窝用户和V2V用户的QoS,实现不同用户之间频谱资源的共享,提高频谱利用率。在复用模式下,由于资源的复用导致蜂窝用户与V2V之间存在大量的同频干扰,本文针对V2V通信在复用模式下由于资源复用引入的干扰问题,提出了一种基于博弈论的多智能体强化学习资源分配算法。该算法将博弈论和Q学习（Q-learning）两种方法结合,以最大化蜂窝用户和V2V用户的总吞吐量为目标,联合优化解决V2V用户的功率控制和信道选择问题。仿真结果表明,本文提出的多智能体强化学习资源分配算法可以保证蜂窝用户和V2V用户QoS,协调干扰同时实现车联网系统总吞吐量的最大化。