随着车联网新兴应用的不断涌现,车联网中诸多资源密集型应用对存储和计算资源的需求呈现出爆发式增长的趋势,例如目标识别、路径规划、高清地图和信息娱乐等应用。虽然云计算可以缓解上述挑战,但海量数据传输造成的高延时是它的主要瓶颈。近年来,人们提出了车联网边缘计算的概念,它将存储和计算资源下沉到靠近车辆用户的网络边缘,既克服了车辆资源受限的问题又避免了云计算引起的高延时,被认为是一种提高车辆通信、存储和计算能力的新型计算范式。然而,在复杂、多样和异构的车联网场景下,面临车辆移动引起的网络拓扑高动态和不确定性,无线信道状态快速时变,以及网络边缘的通信、存储和计算资源受限等问题,如何设计和实现高效的内容分发和任务卸载策略,满足车辆应用的服务质量需求,仍然是一项非常具有挑战性的工作。在此背景下,本文研究了延时约束下以用户为中心的内容分发问题、延时优化的任务卸载和资源分配问题以及结果反馈延时不确定下的任务卸载和资源分配问题。本文的主要研究和贡献包含以下三个方面:（1）首先,研究了在路边单元部署缓存资源的车联网边缘计算场景中,服务延约束下以用户为中心的内容分发决策问题。具体来说,通过定义车辆在不同内容分发方式下的经济成本,优化车辆的内容分发策略以最小化车辆的开销,该问题被建模为一个有限阶段马尔可夫决策过程。由于车辆与路边单元之间的信道质量是时变的,以及车辆移动引起的路边单元缓存状态是动态的。针对上述挑战,提出了一个基于深度强化学习的内容分发策略。该策略解决了无线信道时变和缓存状态动态且不可预测情况下具有延时约束的分发决策难题。仿真结果表明,所提出的基于深度强化学习的内容分发策略可以达到接近最优的性能,可以在服务截止时间约束下实现车辆开销的大幅减小。通过与当前传统的随机传输方法和无信道状态感知传输方法进行比较,仿真结果表明所提算法在车辆的开销减少5%,在内容传输的成功率上提高8%。此外,还发现在概率缓存策略下车辆的高移动性可以提高数据的卸载率,降低车辆的开销。（2）其次,研究了车联网边缘计算中由车辆移动引起的网络拓扑高动态下的车辆任务卸载决策和资源分配问题。具体来说,通过联合优化车辆的任务卸载决策、路边单元的上行带宽分配和路边单元的计算资源分配,最小化由任务卸载延时、任务计算延时和结果反馈延时组成的任务执行延时。该问题被建模成为一个非凸的混合整数非线性规划问题。针对该问题不易处理的特点,首先推导出了该问题的最优解下界,在此下界基础上提出了一个近似算法。为了进一步解决大规模场景问题,设计了一个基于几何规划的低复杂度算法。仿真结果表明,所提出的两个算法都能获得接近最优的性能,与最优解的差距是不超过5.4%。虽然第一个算法比第二个算法有更好的性能,但第二个算法的计算复杂度远远小于第一个算法。（3）最后,研究了车辆任务卸载环境高动态和不确定下的任务卸载决策和资源分配问题。具体来说,针对车辆移动和回程网络条件时变造成的结果反馈延时不确定问题,联合优化车辆的任务卸载决策、车辆的本地计算资源分配和车辆的上行传输功率控制,目标是使车辆的时间和能量加权开销最小。由于卸载决策的和资源分配之间的强耦合,以及结果反馈延时的不确定性的问题,提出了一种基于“行动器-评判器”方法的深度强化学习算法。其中,“行动器网络”可以快速学习从输入状态到每个车辆二进制任务卸载决策的最优映射,“评判器网络”给出了资源分配问题的最优解,并可以评估“行动器网络”输出的卸载决策性能。实验结果表明,该算法在显著降低计算复杂度的同时,达到了最优性能的96.6%。