车辆在处理计算密集型任务时会出现资源不足的状况,传统解决方案是将计算任务卸载至远程云以降低任务的执行时间,减缓车辆的负载压力。但当大量车载任务卸载至云端执行时,会造成网络阻塞和云服务器的负荷过载,使得任务完成时间增加。如何缩短车载任务的完成时间并缓解车辆与云端的负载压力,这是车载计算卸载中面临的主要问题。边缘计算的提出使得云服务本地化,车辆可通过计算卸载技术以就近获取低延迟、高性能的网络资源。然而车辆的移动性会导致网络拓扑结构发生变化,影响资源的可用性。如何在网络拓扑结构动态变化的卸载场景中,通过合理地使用资源来满足用户终端的不同需求是本文的研究重点。本文针对车载边缘计算环境中任务流的多目标优化卸载调度问题进行了数学建模与理论分析。首先根据任务的相关属性为任务划分优先级;其次提出一种基于时空相关性的资源选择策略,根据任务结构、时间节点、车辆位置和可用通信时长等因素的综合判断,对边缘计算资源和车载资源进行筛选;最后针对时延约束下的可靠性优化问题,通过对任务属性、资源状态、完成时间和可靠性等因素的综合考虑,并利用表调度法进行任务与资源的映射,在缩短完成时间的同时提高了可靠性。并以上述卸载调度决策为基础结合动态电压频率调节技术,在进行节能的同时实现时间和可靠性的综合效益最大化,以解决能耗约束下的时延与可靠性联合优化问题。基准仿真实验结果表明:针对时延约束下的优化问题,本文算法比异构最早完成时间调度算法（Heterogeneous Earliest-Finish-Time,HEFT）、动态级调度算法（Dynamic-Level Scheduling,DLS）和基于最晚完成时间调度算法（Based on the Latest-Finish-Time,BLFT）在平均完成时间上分别缩短了18.82%,34.03%和28.47%,在综合可靠性上分别高出10.01个百分点、21.38个百分点和8.09个百分点。针对能耗约束下的优化问题,本文算法比HEFT算法和DLS算法在平均完成时间上分别缩短了12.02%和28.50%,在平均能耗上分别降低了12.30%和46.89%,在综合可靠性上分别高出20.59个百分点和64.46个百分点。进而针对每个问题通过改变多个变量参数进行对比实验来探究不同因素影响下的算法性能,实验结果表明本文算法在不同参数环境下相比基准算法均有着不同程度的性能提升。