当前车载通信网络的高速建设和众多车联网应用的逐渐落地,促进了对于车载信号的广域覆盖以及可靠性等技术需求的增长。在车载通信的实际场景中,空地协同的车载异构网络架构实现了对于现有通信技术有效的优势互补。本论文依靠该技术架构,针对车载通信的两大场景:车辆到车辆(Vehicle to Vehicle,V2V)以及与车辆到基础设施(Vehicle to Infrastructure,V2I),根据实际测量得到的信道数据,对不同场景下的信道特征以及信道相关性进行了详细的分析,并利用分析结果对信道测量过程进行辅助。同时,为了保证车载异构网络在复杂环境下的稳定性,本文还针对无人机(Unmanned Aerial Vehicle,UAV)作为辅助通信节点时的实时高效目标跟踪问题进行了研究。为了在车载异构网络中有效进行信道测量,相较于建立泛化能力较弱的信道模型,本文从实际数据的角度出发对车载信道的变化特性进行了具体分析,并基于信道变化特性分析了车载天线阵元的空间相关性与时域相关性。通过深度学习中的神经网络模型,本文实现了基于信道数据的信道状态实时预测,在某一时刻信道不直接可测的情况下具有积极的辅助测量效果。仿真结果表明,虽然车载信道变化快且所受影响因素复杂,但仍具有一定的信道相关性,同时,本文提出的数据驱动的信道预测算法具有良好的准确度、鲁棒性与执行效率,能有效适应车载信道的快速变化。此外,为了保证辅助通信节点UAV的正常工作,本文设计了一种基于回传信号的目标跟踪算法以实时监控其飞行状态。在三维机动目标跟踪的场景下,本文应用粒子滤波算法并进行了适应性改进。针对粒子滤波算法的重采样过程中权衡重量退化和粒子多样性之间难以权衡的问题,本文提出了一种基于系统重采样和附加随机扰动的改进粒子滤波算法。此方法可确保在具有不同噪声类型的环境中,粒子滤波算法保持粒子多样性并减少权值退化。仿真结果表明,本文所提出的算法通过预测能得到比传统粒子滤波算法更精确的飞行轨迹。