随着信息技术的飞速发展,智能网联设备的普及为车联网应用提供了强大的平台,众多新型车联网应用应运而生,例如智能辅助驾驶、自动驾驶等。这类技术一方面为人们的生活带来了更加舒适的体验,另一方面也为车联网的高效运行带来新的挑战。新兴的车联网应用大多具有计算量大、传输时延低等特点。将移动边缘技术引入车联网,构建边缘车联网是解决上述问题的一个可靠方法。传统的边缘车联网需要部署大量的路侧单元或其他物联网设备,在面对应急车联网应用的场景时,存在部署成本高、利用率低等问题。由于无人机具有机动性高、灵活部署、飞行高度可控性的特点,使得无人机辅助路侧基站为地面车辆或车内用户提供通信网络服务,成为解决传统边缘车联网不足的一个有效方法。然而,传统的无人机部署策略中无人机从充电站飞往任务地点需要很长的时间,这样会导致存在无法及时为车辆或用户提供通信计算服务,无法保证用户的服务质量。为了解决这个问题,本文拟优化无人机到达任务地点的时间、停留时间、飞行轨迹等,以提高无人机辅助车联网的服务质量。具体的,本文提出了一种预调度无人机辅助边缘车联网系统,云计算中心服务器预测实时交通状况,并定期将无人机分配到不同的任务区域,以应对应急车流量下车联网应用请求。本文主要工作如下:（1）为了预先调度无人机前往任务地点,本文设计了一种可以根据历史车流量分析并预测未来车流量的XGBoost-Light GBM-Bagging算法,通过对车流量的预测可以得到未来可能出现应急流量的任务地点。（2）在无人机路径规划算法设计中,通常取最短路径作为最优解。然而,这类算法都忽视了无人机飞行转角消耗的能量。同时,考虑到单无人机和多无人机应用场景的不同,本文在考虑飞行能耗和转角能耗的前提下,分别对单无人机多任务地点、多无人机多任务地点进行分析,设计相应的目标函数,并基于遗传算法求出无人机最小能耗路径,最终通过实验仿真验证了算法的有效性。（3）无人机在不同的位置悬停会影响无人机的服务效率。针对无人机到达任务地点后的悬停位置选择问题,本文提出了一种基于深度强化学习的无人机自主部署策略,以获得无人机在每个任务区域的最佳悬停位置。最终通过实验仿真验证了该优化策略的可靠性和有效性。