车联网作为未来智能交通系统的重要组成部分,旨在为大规模车辆互联提供稳定的通信链路与安全的数据传输。随着车辆数目的快速增长与通信技术的变革,车载应用得到了快速的发展,出现了自动驾驶等新型应用,为未来智能交通系统发展带来了新机遇。为了保证未来车联网的发展,车辆对数据的采集与处理效率等方面提出了新的要求,但是现有的传输模式与系统处理能力无法保障车联网的服务质量。首先,数据传输质量不佳的问题主要由车辆仅使用单一传输模式所导致。在车辆网络中,智能交通系统拥有多种传输模式,包括车辆与车辆之间（Vehicle-to-Vehicle,V2V）,车辆与基础设置之间（Vehicle-to-Infrastructure,V2I）和车辆与宏基站之间（Vehicle-to-Network,V2N）的传输。V2V模式能够提供低时延的通信,但带宽较小,无法保证大规模的传输。相比而言V2I带宽较大,但覆盖范围有限且成本较高。V2N拥有更大的覆盖范围与带宽,但通信质量与时延受到距离的限制。由此可见,使用单一传输模式将存在各种缺陷,无法满足车辆的多样化需求,而根据车辆所处的环境动态的选择传输模式,可以提升数据的传输效率。其次,车载应用采集到的数据量庞大,车辆本地计算资源有限,不足以支撑大规模计算。作为计算资源的补充,单一的边缘计算节点只能提供有限的计算资源,云边协同的计算节点解决了计算资源短缺的问题,但是提高了系统的传输时延,两种方案均存在不足之处。针对数据采集与处理方面的问题,本文提出了面向5G蜂窝车联网的智能传输模式选择方法,满足数据传输的多样化需求;提出了基于多分布式边缘服务器协同的计算任务卸载方法,解决车辆计算资源不足的问题。1)基于在线强化学习的5G蜂窝车联网智能传输模式选择方法。首先,基于蜂窝车联网不同传输模式的特点,本文构建了拥有三种传传输模式的蜂窝车联网。其次,由于同一个簇中的车辆可以进行信息流的共享且现有的算法不适用于大规模场景,本文采用了基于图神经网络的自动编码器对车辆聚簇。然后提出了一种基于多智能体强化学习的传输模式选择算法,智能体通过与环境交互实现策略的动态调整,有效地提升了大规模车联网模式选择的性能。仿真结果表明,相比于谱聚类与K-Means聚簇算法,图自动编码器有更好的聚簇效果,本文提出的算法相比于随机算法和不使用智能选择算法拥有更高的系统的吞吐量。2)基于多分布式MEC协同的5G蜂窝车联网计算任务卸载方法。首先,利用5G蜂窝网络的协同特性,构建多分布式MEC协同5G蜂窝车联网,网络中车辆将执行计算密集型任务。其次,将计算卸载问题分解为多小区车辆的频谱资源分配问题与任务处理的决策问题。由于频谱资源有限,不同小区间频谱资源共享。为了降低同频调度产生的干扰问题,本文使用了二部图匹配算法确定信道分配方案。基于车联网对于能耗与时延要求,提出了一种在线李雅普诺夫优化方法来解决计算资源分配问题,实现时延与能耗的动态平衡。最后,仿真结果表明,本文提出的多分布式MEC协同架构在能耗与执行时延方面均有更好的性能。