车联网将人、车、路、云组成一个智能交通系统,使得车辆能够实现复杂的环境感知、数据交换、智能决策等任务,从而提高交通效率和减少事故产生。在车联网中,当车辆移动速度非常快时,传统网络无法满足车辆终端对数据传输的需求,因而采用网络密集部署的方式,这在提升系统容量起到关键作用。然而,在这种高移动性和网络致密化的场景下,车辆不可避免地产生更频繁的网络切换,这使得切换管理问题变得更加复杂和更具挑战性。网络切换是车辆获取连续通信的关键技术,只有对网络的接入和切换足够有效和准确才能减少通信中断,提高车辆行驶的安全性。基于密集车联网场景下的特点和切换需求,建立了密集车联网系统模型和定义合理的性能指标。此外,通过相应仿真分析了传统切换决策算法的性能,包括基于距离、基于RSS、基于SAW和基于A3事件切换算法。实验证明,基于单属性或固定阈值的切换算法容易恶化切换性能,适用于低速的切换参数未必适用于高速场景,因此难以满足车联网应用需求。针对传统切换算法没有充分考虑密集车联网场景特点导致切换有效性和准确性低等问题,提出了一种基于多属性模糊逻辑的切换优化算法。该算法充分考虑了网络和终端属性信息,并且考虑到属性的模糊性,应用模糊逻辑理论,使得输出的切换阈值能够随输入属性融合自适应改变,该切换阈值用于后续的切换决策。仿真结果表明,改进算法的平均尝试切换次数有明显减少,在高网络密度和高速情况下,切换失败率比基于SAW切换算法下降了约3%,而乒乓切换率在不同条件下均保持在1%左右,提升了切换的整体性能。针对模糊逻辑算法需要依靠专家经验知识获得较佳效果,一旦环境改变需要及时手动调整的问题,引入了神经网络技术,提出了一种基于多属性模糊神经网络的切换算法。改进算法通过跟踪区域内可用的历史切换数据使得系统参数可以根据环境的改变自动调整,从而减少人工干预,提高算法的鲁棒性。仿真结果表明,与基本模糊逻辑切换算法相比,改进算法的平均尝试切换次数进一步减少,切换失败率降低了约2%,而乒乓切换率几乎接近0。因此,所提算法有较明显的优越性,能够更好地满足密集车联网场景的切换需求。