在车载云计算中通常利用云服务器或者其它高性能汽车为资源受限的汽车提供计算卸载服务,但是汽车与宏基站的低传输速率会导致任务完成时间增加,待处理任务数目和计算量的增加可能造成云服务器负荷过载,如何降低日益增长的计算密集型任务的完成时间和减少云层负载成为了计算卸载中两个亟待解决的问题。边缘计算技术的推广为解决这两个问题提供了新思路。静态环境下,因为边缘服务器更加靠近汽车终端,所以增加边缘层可有效地提升用户体验感和降低云层负载。处于行车状态时,汽车运动造成的通信环境动态变化会导致任务完成时间增加,如何降低汽车运动对计算卸载的影响是本文的研究重点。本文针对车载边缘计算环境下的计算卸载和切换进行了理论研究和实验仿真。首先在静态环境中对比了卸载至边缘、卸载至云以及本地执行的任务通信、执行和完成时间,并基于自适应卸载算法讨论了不同类型的任务三种执行方案的优劣。其次针对汽车行车状态下,提出了基于计算切换的计算卸载算法来降低运动对计算卸载带来的任务完成时间增加等消极影响。最后本文提出了一种适用于路径可预测情况下基于贪心的卸载算法,进一步缩短了任务完成时间。本次研究采用任务的本地执行比例、边缘执行比例、云端执行比例、平均通信时间、平均执行时间和平均完成时间六项性能指标对本文涉及的算法的卸载性能进行评价和分析。结果表明:(1)在静态环境下,任务卸载至边缘分别比卸载至云和不卸载的平均完成时间降低了约42.78%和73.99%,但是任务在云的执行时间比在边缘的执行时间缩短了约24.47%;(2)针对汽车行车状态,基于计算切换的卸载算法比基于枚举的卸载算法的任务完成时间降低了约22.01%;(3)路径可预测情况下,考虑汽车运动轨迹时,本文提出的基于贪心的卸载算法比基于计算切换的卸载算法的任务完成时间降低了约14.87%。本文主要创新点是在动态环境中,提出基于计算切换的计算卸载算法和基于最大传输速率的链路选择策略来降低汽车运动对计算卸载的影响。最终在路径可预测情况下,设计出了一种基于贪心的卸载算法,以实现进一步地降低汽车运动对计算卸载的消极影响。