随着智能汽车技术和车联网的发展,大量的车载智能应用相继出现,它们对服务质量、用户体验以及系统开销等方面提出了更为严苛的要求。车载边缘计算（Vehicular Edge Computing,VEC）作为提高车载智能应用性能的一种有效方法,被越来越多的人予以厚望。通过将移动边缘计算（Mobile Edge Computing,MEC）技术应用到车联网场景当中,VEC可以有效降低计算任务的时延和能耗,提高用户的服务体验。然而,在车联网场景中,车辆的高速移动特性会导致计算任务在系统中的频繁切换,从而引入额外的传输时延以及降低用户体验。同时,车辆本地数据的非独立同分布特性也会对车联网中的分布式模型训练带来影响,降低模型的训练效率。此外,道路中不可靠或恶意车辆上传的错误信息会降低应用的服务质量,而道路车辆分布的不均衡则会加剧对错误信息的筛选难度。本文针对上述挑战展开研究,主要做了以下三个方面的工作:针对车联网场景下移动车辆与服务器之间无线连接的不稳定性导致的车载边缘计算中计算卸载时延增大的问题,基于对车辆移动过程中计算任务的卸载、处理以及回传过程的分析,推导了计算任务的总卸载时延的计算表达式,同时构建了以最小化计算任务平均卸载时延为目标的优化问题,并提出了基于强化学习的最小化车载边缘计算卸载时延方案。该方案将基站（Base Station,BS）作为计算卸载决策的中心。与将移动车辆作为计算卸载决策的中心相比,基站可以在计算卸载的过程中以静态的方式收集交互信息,因此其收集信息的范围更加广泛,同时也更加稳定。此外,由于公共汽车的运动轨迹可以根据预先制定的路线和时刻表来确定,因此采用公共汽车作为移动计算服务器可以有效降低车辆移动的不确定性给计算任务的卸载时延带来的影响。在缺少先验知识的情况下,基于强化学习的算法可根据每个时隙观测的计算任务卸载时延来构建不同公共汽车的效用函数,并学习到接近最优的计算卸载策略。仿真结果表明,与车辆进行本地计算相比,所提出的方案中计算任务的平均卸载时延可以降低至少11%。针对车联网场景下车辆本地数据的非独立同分布特性导致的车载边缘计算中依靠单车智能和模型共享的联邦学习（Federated Learning,FL）模型训练效果降低的问题,分析了 FL中本地数据的非独立同分布问题与零样本学习问题之间的相似性,提出了基于FL的最优化车载边缘模型训练效果方案,并根据EMD（Earth Mover’s Distance）距离推导证明了所提出方案可以降低车辆本地数据的非独立同分布给模型训练带来的影响。通过引入一组高维的语义属性,将每个类别标签表示为一个确定的属性向量,原本的多类别分类模型被分解为多个属性分类器。该方案还根据车辆本地数据分布与全局数据分布之间的EMD距离对不同车辆进行预筛选,从而挑选出合适的本地模型参数进行全局聚合。仿真结果表明,与现有的基于FL的模型训练方案相比,所提出的方案能够显著地提升车联网场景下车辆数据非独立同分布时FL的模型训练效率,模型预测准确率能平均提高约30%。针对车联网场景下单纯采用不可靠的私家车辆进行众包地图更新时的更新精度较低的问题,提出了一种测绘车辆辅助下的高精度地图更新方案。该方案通过给可靠的测绘车辆制定合理的调度策略来辅助地图更新,从而提高地图的更新精度。首先,基于对测绘车辆的移动以及无线数据的传输过程的建模与分析,推导得到了地图更新精度的表达式,并构建了在保证系统开销小于预设阈值时的最大化地图更新精度为目标的序贯决策问题。其次,为得到最优化地图更新精度的测绘车辆调度策略,采用了基于深度强化学习（Deep Reinforcement Learning,DRL）的算法来求解。基于DRL的算法不仅可以解决VEC系统中由于系统状态以及动作空间维度过大导致的求解困难问题,还可以在缺少环境先验知识的情况下,仅通过对历史经验的学习得到优化问题的近似最优解。仿真结果表明,与现有的信息更新方案相比,所提出的方案能够有效地提高地图更新精度约20%。