自动驾驶不仅可以缓解驾驶压力、提高工作效率、优化交通流量,还可以减少交通事故、提高安全系数。基于这些优点,自动驾驶正在飞速扩大其市场规模。然而,随着自动驾驶车辆智能化的升级,其所产生任务的数量和复杂度也在上升。车载计算单元的计算压力愈渐沉重,造成任务响应时间上升以及用户服务质量下降的局面。移动边缘计算凭借其靠近数据产生侧的特性,具有低时延、高可靠等优点,因此越来越多的自动驾驶任务正在进行边缘端的卸载。虽然边缘计算服务器分担了车载计算单元的计算压力并具备较低的网络传输时延,但是依然面临两个亟需处理的问题:1)面对海量的自动驾驶任务以及复杂异构的边缘计算集群,如何设计任务卸载算法以提高实时任务的卸载成功率;2)在边缘计算服务器资源受限时,如何设计高效的CPU资源分配算法,以提高系统并发吞吐量。本文围绕着移动边缘计算系统中的任务卸载策略以及CPU资源动态划分算法两个方面展开研究,主要贡献如下:（1）为了提高自动驾驶实时任务的卸载成功率,本文提出了一个基于自适应优先级的分层任务卸载算法（Adaptive Priority based Hierarchical Task Offloading,APHTO）。APHTO考虑到自动驾驶不同类型任务的时延约束不同,首先对任务进行分类。之后综合任务的初始优先级、截止时间以及卸载等待时间设计了进程的自适应优先级并进行排序。同时对边缘计算节点计算性能进行量化分析,按照计算性能的强弱对节点进行分组和分层,根据实时任务卸载请求密度的变化动态调整不同分组中的节点数量。最后展开多线程在分层式边缘计算节点间进行最优任务分发。通过与其它任务卸载算法进行对比发现,APHTO在任务卸载请求密度较高的情况下依然能够提升11%～20%的任务卸载成功率。（2）为了提高边缘系统在并发执行普通任务时系统的整体吞吐量,本文设计了一种提升吞吐量的CPU资源动态划分算法（Throughput-Improved algorithm for Dynamic Partitioning of CPU resources,TIDP）。TIDP首先设计进程CPU资源感知模块,以较低的时间复杂度计算不同任务对CPU资源的使用效率,衡量任务对系统吞吐量的贡献程度。之后结合目前边缘操作系统调度算法基于组调度的情形,分别设计了任务组间以及任务组内的CPU资源动态划分方案。通过与系统默认CPU资源分配算法对比发现,TIDP具有8%～12%的吞吐量提升效果。