车联网是推动智能交通系统发展的重要技术之一。在5G和人工智能等新兴技术的帮助下,车联网市场衍生出了大量时延敏感型和计算密集型应用。这些应用虽然可以提高驾驶安全并改善当前交通状态,但是给车辆的计算、存储和通信能力都带来了严峻的考验。为了缓解上述矛盾,移动云计算和移动边缘计算（Mobile Edge Computing,MEC）相继被引入到车联网中以提供计算卸载服务。此时,有效的计算卸载策略对于降低时延,提高服务质量具有重要意义。由于MEC的资源更靠近车辆,具有时延低、可靠性高的优点,目前大部分工作集中于对边缘计算卸载问题的研究。但是MEC服务器的资源相对有限,难以应对请求密集的场景。因此,本文从多MEC横向协作和边云纵向协作两个角度出发,对车联网中的资源协作式计算卸载问题展开了深入的研究。为了实现服务器资源的有效融合和协作,首先构建了基于软件定义网络的车辆计算卸载架构。其次,针对多MEC横向协作和边云纵向协作两个具体的场景,分别提出了基于深度强化学习的任务卸载决策机制,可以实时制定卸载策略以适应车联网的动态性并提高计算卸载性能。具体的研究工作概括如下:（1）研究了车联网中多MEC横向协作的计算卸载与负载均衡联合优化问题。由于MEC服务器资源受限且MEC间的计算请求分布不均匀,设计有效的计算卸载策略,协调多个MEC的资源以实现负载均衡并提高资源利用率至关重要。本文首先确定了通信模型、计算模型和负载均衡模型,并以系统平均成本最小化为目标构建了约束优化问题。为了确定卸载目标服务器、资源分配方案和任务卸载比例,提出了一种分步求解的策略。首先基于深度强化学习设计了一种计算卸载和负载均衡联合优化算法,该算法能够综合考虑所有任务请求以及服务器的资源分布,实时为车辆确定卸载目标服务器。其次,在卸载策略确定的情况下,先后提出了基于任务优先级的单服务器资源分配方案以及卸载比例计算方法,获得的资源分配方案和卸载比例将用于计算实时奖励来反向训练决策模型。实验结果表明,与其他基线算法相比,本文提出的方案不仅可以均衡负载,时延和任务完成比例的性能也获得了很大的提升。（2）研究了车联网中边云纵向协作的卸载决策优化问题。云服务器的强大计算能力可以用来缓解边缘服务器资源有限的问题,所以能够有效协调二者资源的任务卸载策略至关重要。考虑到任务属性之间的差异性,本文首先根据任务对时延和计算资源的需求为其划分优先级,并将其作为卸载节点选择和资源分配的重要参考标准之一。其次,综合考虑优先级、时延和计算资源成本构建了任务平均效用最大化问题,并形式化为马尔科夫决策过程,即设计状态空间、动作空间和奖励函数。在此基础上,基于深度强化学习提出了一种自适应的卸载决策机制。仿真结果表明,相比于全部卸载和平均分配资源两种策略,本文算法的平均效用至少提升了1倍,任务和高优先级任务的完成比例至少提高了20%。