车联网作为5G移动通信的重要应用场景之一,其在提升交通效率、减少交通事故和保障车辆安全驾驶等方面具有重要意义。在车联网中,车辆利用先进的车载通信设备和技术,实现了车与万物（Vehicle to Everything,V2X）的互联通信,其主要包括车辆与车辆（Vehicle to Vehicle,V2V）的通信和车辆与基础设施（Vehicle to Infrastructure,V2I）的通信。然而,车联网环境的动态变化和有限的频谱资源等问题给车联网的实际应用带来了巨大的挑战。因此,对车联网进行合理的资源分配显得尤为重要。由于车辆移动性造成的通信环境快速变化,环境状态信息（Environment State Information,ESI）的交互量将急剧增加,从而导致车联网用户的通信质量下降。同时,考虑到V2V链路负责传输车辆位置和预警状态等安全关键信息,需要满足高可靠性和低传输时延的通信要求。针对车联网的上述问题,本文分别提出了基于深度学习的智能功率分配（Intelligent Power Allocation,IPA）算法和基于深度强化学习的高可靠功率分配（High Reliability Power Allocation,HRPA）算法。本文的主要研究内容和创新如下:针对ESI交互量增加导致车联网用户通信质量下降的问题,本文提出了一种基于深度学习的车联网IPA算法。在V2V链路复用V2I链路资源的情况下,本文首先以最大化V2V链路的总频谱效率为目标,同时考虑链路间干扰和用户服务质量需求的约束,构建了功率分配优化问题。然后设计了一种基于深度神经网络（Deep Neural Networks,DNN）的压缩网络,其通过简化实值信息的方式将车辆观测到的ESI进行压缩,有效降低了ESI的交互量和基站负荷。最后设计了由总功率网络和功率分配网络组成的决策网络来进行车联网的智能功率分配。仿真结果表明,IPA算法有效提高了V2V链路的总频谱效率,保障了车联网用户的通信质量并降低了ESI的交互量。由于车联网中V2V链路关键信息传输的可靠性难以保障,本文以V2V和V2I链路的总速率最大化为目标,并结合干扰、传输时延和有效传输概率等约束,构建了可靠性保障优化问题。为解决该问题,本文提出了一种基于深度强化学习的HRPA算法。HRPA算法首先利用DNN压缩来降低ESI的交互量;然后根据优化问题设计相应的奖励函数;最后通过最大化双深度Q网络（Double Deep Q-Network,DDQN）的奖励值,获得了车辆的最优功率分配策略。仿真结果表明,HRPA算法有效提高了V2V和V2I链路的总速率,实现了V2V链路的高可靠传输。本文包含图片25幅,表4张,参考文献82篇。