随着车联网的发展,诸如自动驾驶、虚拟现实和动态高精度地图导航等计算密集且延迟苛刻的新型业务不断涌现,这给计算能力有限的车辆带来了巨大挑战。作为一种新兴的计算模式,移动边缘计算在网络边缘为移动用户提供计算和存储服务,允许移动用户将计算任务卸载到边缘节点上执行,有效地降低了移动业务交付的端到端时延。基于以上优势,相关学者提出了在车联网中应用移动边缘计算,构建车辆边缘计算（Vehicular Edge Computing,VEC）,以解决车辆计算能力不足以及传统云计算方案中接入时延较长和回程网络拥堵等问题。然而,VEC面对的是局部网络,分布式部署的边缘节点通信和计算资源相对有限,如何在保证服务质量的前提下,通过合理的资源分配提升网络性能是VEC计算卸载面临的关键挑战之一。因此,本文对VEC网络中任务卸载的资源分配问题展开了研究,具体的研究内容概括为:针对部分任务卸载模型,文中探讨了如何合理地分配VEC网络中通信和计算资源,以实现多车高效地协作完成一个计算任务的问题,并提出了一种基于完成时延最小化的资源分配方案。具体地,文中证明了在完成时延取定值的情况下,求解可行性的问题是凸优化问题,并采用二分法求解一系列凸优化可行性问题得到全局最优解。特别地,对于协作车辆计算能力相等的情况,文中首先通过注水算法获得了传输速率最大化的功率分配方案,然后根据凸优化理论推导出了最优资源分配的闭式解。仿真结果表明,所提方案能够显著降低任务的完成时延。针对整体任务卸载模型,文中研究了VEC网络中多辆车与单个MEC服务器之间任务卸载的资源分配问题。具体地,文中定义了完成任务的总成本为完成该任务所需的时延和能耗的加权和,并联合考虑了通信和计算资源等限制条件,以最小化完成所有任务的总成本为目标,建立优化问题。由于该问题是一个混合整数非线性规划问题,传统优化方法难以求解。因此,本文将该优化问题建模为马尔科夫决策过程,并提出了基于QLearning和Deep Q Network的解决方案。仿真结果表明,这两种方案均有效降低了完成所有任务的总成本。