5G时代下,车联网技术快速发展。车路协同系统作为智能交通系统（Intelligent Transportation System,ITS）的重要应用场景,其建设与改造是ITS演进过程的重要环节。通过车辆与道路基础设施之间的智能通信配合,车路协同系统推动ITS由单车智能向网联智能发展。移动边缘计算（Mobile Edge Computing,MEC）正是实现车辆与道路智能网联的关键技术。通过基于MEC的车路协同任务卸载,道路上的车辆将应用任务卸载至路侧单元（Road Side Unit,RSU）进行计算,降低了车辆计算任务的时延和能耗。然而,车联网对高可靠低时延通信（Ultra-Reliable and Low-Latency Communication,URLLC）的要求,以及车辆不断移动的特点都使得基于MEC的车路协同任务卸载面临挑战。此外,许多技术能够进一步降低任务卸载的时延和能耗。例如非正交多址接入技术（Non-Orthogonal Multiple Access,NOMA）通过信道复用提升了系统频带利用率。内容缓存技术通过在边缘端部署缓存服务,避免了车辆上传重复内容的时延和能耗。结合上述技术能够有效降低任务卸载的时延和能耗、提升系统优化效益。因此,研究车路协同动态场景以及通信可靠性要求下的任务卸载和缓存方案具有重要意义。本文结合NOMA和内容缓存技术,对基于NOMA-MEC的车路协同系统任务卸载和缓存方案展开研究,具体工作和创新点如下:（1）针对车辆移动性和通信可靠性约束下的任务卸载问题,提出了一种NOMA车辆分簇下的车路协同任务卸载方案。本文建立了基于NOMA-MEC的车路协同系统模型,包括通信模型、计算模型、车辆移动性模型和通信可靠性模型。基于所提模型,定义了车路协同任务卸载优化问题,并分析了车辆移动性和通信可靠性这两个关键约束。将移动性约束建模为车辆驻留时间和驶离时间约束,同时以信噪比阈值和通信中断概率的约束来保证通信可靠性。针对该混合整数非线性的优化问题,本文提出了联合优化NOMA车辆分簇、车辆发射功率和任务卸载决策的JACPO算法（Joint Algorithm for vehicle Clustering,Power control and Offloading decision,JACPO）分步求解。首先利用图论中的最大割理论优化车辆分簇和发射功率,接着利用博弈论联合优化任务卸载决策。实验结果表明,本文所提方案在不同车辆速度和通信可靠性下都能有效提升车路协同系统的优化效益,并且优化性能高于其他对比方案。（2）针对车路协同任务卸载过程中RSU计算资源有限导致任务时延和能耗增大的问题,提出了一种NOMA车辆分簇下结合内容缓存的车路协同任务卸载方案。本文建立了结合缓存的NOMA-MEC车路协同系统模型,包括通信模型、缓存模型和计算模型。该模型中RSU通过内容缓存技术在边缘端部署缓存服务,车辆无需上传RSU已缓存的内容,从而降低了较大车流量场景下的任务时延和能耗。基于所提模型,本文定义了车路协同任务卸载联合缓存优化问题,提出了联合优化NOMA车辆分簇、车辆发射功率、任务卸载决策和RSU缓存策略的JACPOC算法（Joint Algorithm for vehicle Clustering,Power control,Offloading decision and Caching strategy,JACPOC）分步求解。首先联合优化车辆分簇和发射功率,接着利用粒子群优化理论求解卸载决策和缓存策略。实验结果表明,结合缓存的车路协同系统能够进一步提升系统优化效益。并且相较于其他对比方案,本文所提方案具有更好的优化性能。