车联网技术是实现智慧交通的关键技术,也是构成万物互联的重要一环。车联网的大规模普及将促进车载应用领域的发展,通行效率类、行驶安全类和信息服务类应用是当前最受关注的车载应用类型。云游戏技术的出现使传统的本地游戏图形渲染任务转移到了云端,解放了对于游戏运行设备的限制,打破了普通设备玩家和大型网络游戏之间的壁垒。因此,在车联网的环境中引入云游戏,既能够填补信息服务类车载应用领域的空白,满足高速公路长途行驶等场景中乘客的休闲娱乐需求,又可以扩大云游戏产业的覆盖面,促进云游戏和汽车的产业融合,推动汽车行业数字化转型进程。特别是随着近年来5G技术成熟,5G通信网络的高速率高带宽能力令车联网和云游戏的融合更具现实意义和经济效益。然而,云游戏在5G车联网环境中的部署仍具有以下挑战:一是传统云游戏主要面向固定位置或者慢速移动的用户提供服务,高速公路场景下车辆的高速移动会导致频繁的基站切换,对网络质量和云游戏数据分发方式提出了挑战,且传统的车联网架构不满足车载云游戏需求;二是不同类型的云游戏在网络流量特征和玩家交互操作等方面有较大的差异,考虑到车辆动态行驶环境等因素,并不是所有类型的云游戏均适合在车联网与云游戏融合的初期进行部署。因此,本文的目标是针对5G车载云游戏的通信机制以及云游戏视频流的高效分配提出优化方案。针对以上问题,本文以高速公路中智能网联车辆的车载云游戏服务为场景,完成了以下工作:（1）基于5G宏基站与毫米波基站高低频混合组网的车联网架构,提出了一种5G车载云游戏工作机制。网络架构中5G宏基站负责大范围用户覆盖、指令参数传输等工作,毫米波基站负责小范围连续覆盖,借助毫米波高频段大带宽的能力为车载云游戏玩家提供云游戏视频流传输服务;（2）为了探索不同类型云游戏的特点,针对多个云游戏平台中的多款云游戏进行了测试和数据集统计,并基于统计结果提出了一种车载云游戏的量化分类标准,将车载云游戏划分为了缓存型云游戏和即时型云游戏,为之后针对不同类型的云游戏提出差异性的优化策略提供了基础;（3）基于车载云游戏车联网架构,建立了车载云游戏视频流分配问题的马尔科夫决策过程理论模型,并使用DDPG深度强化学习算法对缓存型云游戏的视频流分配策略模型进行了训练,训练后的模型在缓存型云游戏数据集上的表现优于直接分配算法以及基于负载的分配算法。（4）针对未来多类型云游戏共存场景对网络带宽等资源提出的挑战,为了增强视频流分配算法的普适性,本文一方面针对缓存型云游戏的特点提出了云游戏视频播放速度自适应算法,另一方面针对大规模玩家连接同一基站导致带宽和存储资源受限的情况,面向全部类型云游戏提出了传输队列容量动态调整算法和云游戏视频分辨率自适应算法。最后基于高速公路道路信息数据和云游戏数据集,将以上算法与训练模型进行了协同仿真,验证了算法在多类型云游戏共存场景下的有效性。