随着5G技术和物联网技术的快速发展,车联网目前受到了越来越多的关注。蜂窝车联网(Cellular Vehicle-to-Everything,C-V2X)通信可以在商用蜂窝频谱中运行,可以实现与现有蜂窝网络的兼容。然而车辆数目的急剧增多,数据流量爆炸式的增长,使得现有授权频段的频谱资源日益紧张。但是与之对应的非授权频段的频谱资源却相当丰富,通过充分利用非授权频谱,可以大大缓解频谱资源的紧缺。另一方面,车联网的快速发展也为车辆终端提供了多样化的应用服务,但是车载终端通常只具备较低的计算能力和有限的存储空间。高效计算要求的应用对现有车载终端提出了巨大挑战,特别是要求更多的计算资源。基于移动边缘计算(Mobile Edge Computing,MEC)的车联网可以将计算任务卸载到MEC服务器,不仅解决了车载终端计算能力受限的弊端,同时还能满足车联网对计算时延的要求。本课题的主要内容与创新点概括如下:首先,考虑到授权频谱资源紧缺以及充足的非授权频谱资源,本文提出了C-V2X系统与WiFi系统的共存场景,在保证C-V2X用户服务质量(Quality of Service,QoS)需求的前提下,卸载部分C-V2X用户到非授权频段。本文考虑联合优化C-V2X用户发送功率和卸载个数,以同时最大化C-V2X系统、LTE(Long Term Evolution)系统和WiFi系统吞吐量为目标,建立多目标优化问题。与传统上解决多目标优化问题的方法不同,本文采用了先进的非支配排序遗传算法Ⅲ(Nondominated Sorting Genetic Algorithm Ⅲ,NSGA-Ⅲ)对原问题进行求解,得到帕累托最优解集。仿真研究了算法收敛性,同时验证了所提算法在公平性和吞吐量上比传统单目标优化算法具有更优的性能。其次,针对卸载到非授权频谱上的多个C-V2X用户,本文提出了一种基于先听后说(Listen Before Talk,LBT)的车辆编队形成机制,将C-V2X用户进行车辆编队,利用车队中头车竞争非授权频谱的资源,实现了车队场景下的无线资源管理。仿真验证了车辆编队机制有效降低了非授权频段用户的碰撞概率,减少了C-V2X用户的通信时延。最后,针对C-V2X高效计算场景,本文提出了在多小区多MEC服务器场景下,旨在实现网络负载均衡的C-V2X用户任务卸载算法。以最小化用户成本函数为目标,联合优化卸载决策、C-V2X用户发送功率以及MEC服务器计算能力。C-V2X用户的移动性导致网络的状态实时变化,传统的优化算法无法求解。因此,本文采用深度强化学习中的双层深度Q网络(Double Deep Q-Learning Network)进行求解。仿真分析了算法的收敛性,并验证了所提算法在成本消耗上比传统单小区单MEC服务器场景具有更好的性能。