随着物联网在汽车行业的应用越来越广泛,未来车辆互联网（Internet of Vehicle,IoV）高带宽、高传输可靠以及低时延的通信链路特性也对现有的频谱资源和网络容量提出了更高的要求。相比于拥挤的传统低频波段而言,具有丰富频谱资源毫米波（30～300GHz）频段可以提供更高的传输带宽容量和通信速率,但其高频特性会导致高穿透损耗和路径损耗等问题。此外,联网车辆的高机动性也会增加定向毫米波通信的复杂性,而不准确的波束选择也会引起阻塞损耗从而影响毫米波通信系统性能。因此,毫米波车载通信系统应该具备很高的环境适应性和很强的上下文感知能力从而能够及时地为毫米波通信链路选择准确波束。基于将波束选择问题建模为多臂赌博机（Multiarmed Bandit,MAB）的在线学习不需要经过事先训练就可以使用,通过使基站能够根据其周围环境执行波束选择（如,避免阻塞）以减轻通信系统性能下降。然而,现有的一些基于MAB在线学习的毫米波波束选择方案由于上下文信息和波束设置的不足导致其难以挑选出宽度和方向更合理的波束集,阻碍了车载网络容量的进一步提升。此外也缺乏对车联网的网络能效如基站能源消耗和功率调整方面的考虑。本文的主要工作如下:（1）针对毫米波的易阻塞特性以及高动态性的车辆场景中毫米波通信易被不准确的波束选择影响定向通信从而导致性能下降问题,提出一种基于MAB在线学习的面向网络容量优化的毫米波车联网资源分配方案。通过设置更多的波束宽度和波束方向,毫米波基站通过自主探测、学习可用车辆上下文信息和先前波束选择结果间的关系来适应动态通信环境并且选择更合理的波束集。本方案除了允许波束重叠外还利用了更多维度的车辆上下文信息有助于识别所需更优波束。为减少波束探测开销,将基站覆盖范围划分为多个子覆盖扇区,并以此分别从子扇区波束集的选择结果中再重新选取最优的波束集。对于波束性能更新采用权重鲁棒更新更能适应通信环境的变化。仿真结果表明本方案略微增加探测开销且能收敛于最优策略,大大提高了系统的网络吞吐量。（2）针对毫米波车联网能效和功率消耗等问题,结合考虑基站功率调整和MAB模型提出了一种面向网络能效优化的毫米波车联网资源分配方案。本方案允许为提高能效可以对毫米波基站的传输功率进行调整,因此,在满足车辆用户基本数据速率要求的前提下可以尽可能降低功率消耗。同时,通过将请求相同数据内容的车辆用户分到相同的接收组的方式来共享毫米波节省通信资源且减少了射频链的占用。并且理论分析了蜂窝辅助毫米波车辆通信架构的可行性以及所提出模型方案的收敛性。仿真结果表明,本方案与现有方案相比在付出一定额外系统探测学习开销的前提下能够显著提升不同情景下的能量效率。图40幅,表2个,参考文献119篇