在信息革命时代,数据信息的大量涌入与车辆数目的日益增加,智能交通体系中车辆交通工具的地位变得越发重要。车辆从传统的交通工具逐渐演变成拥有智能和互联计算系统的智能汽车,人们对智能驾驶、视频娱乐以及安全出行等方面也提出了更高的要求,低时延和密集型计算需求的新型车载应用对现有车联网造成了极大挑战。可以集中处理大量计算需求的云计算曾被认为是一种有效的解决措施,但有时延长、能耗大、占用网络带宽大等缺点。移动边缘计算（Mobile edge computing,MEC）作为一种新型技术,将具备云计算的MEC服务器部署在基站周围,为终端用户提供计算和通讯资源,以减轻计算量。伴随着Io T与芯片行业的发展,车载单元被赋予更多的计算能力,目前移动边缘计算技术已经扩展到车载网络。作为一类新型车辆与车辆之间以及车辆与基础设施之间高效共享和数据传播技术,车载网络边缘计算已经成为一种新的计算范式。在车载网络边缘计算场景下,车辆的高移动性和时变的信道环境使得车辆用户更加依赖于频谱资源,有限的频谱资源是实现车辆与外界通讯的关键,是影响车辆通讯质量的重要原因之一。车辆用户会产生大量数据或应用请求,但自身计算能力有限,需边缘服务器来处理部分任务量。因此如何对车载网络边缘计算中频谱资源进行合理调度以满足车辆用户不同服务需求成为了研究热点。在此背景下,本文研究了车辆用户在没有任务卸载需求情况下的频谱、链路资源分配情况,以及存在任务卸载下的车辆任务卸载决策情况。本文的主要研究和贡献包含以下几个方面:（1）分析了车联网的通信类型和系统结构,进行了有效链路与干扰链路的分析并构建了车辆网络通讯系统模型。（2）为了提高车联网的频谱资源利用率和系统吞吐量,重点研究了V2V（Vehicle-to-Vehicle,V2V）链路的频谱资源分配与功率控制问题,考虑到V2V频谱复用模式,将V2V链路复用V2I（Vehicle-to-Infrastructure,V2I）链路的频谱资源,并设定优化目标为V2V链路传输速率和V2I容量大小。此问题进一步被制定为马尔可夫决策过程（Markov Decision Process,MDP）,并对状态、动作和奖励进行设计。（3）为得到最优的频谱资源分配策略,提出了一种基于近端策略优化（Proximal Policy Optimization,PPO）强化学习算法的多智能体频谱资源动态分配方案,仿真结果表明,在信道传输速率和车辆信息传递成功率方面,本文算法与基线算法相比具有更优的效果。（4）针对多用户卸载,构建一种多用户多MEC的任务卸载场景,为了让用户根据自身情况进行最佳卸载,提出一种部分卸载策略。（5）考虑到移动用户和边缘服务器不可预测线路致使信息传输多样化,为降低时延和能耗,找到最佳卸载决策,提出一种基于深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）强化学习算法的任务卸载方案。仿真结果表明,在有效降低时延和能耗方面,本文算法与基线算法相比具有更优性能。