物联网和无线技术的发展为车辆实现具有先进功能的新应用铺平了道路。例如,车载摄像头和嵌入式传感器可以在高效和安全的交通系统中发挥关键作用。然而,资源受限的车辆可能会受到计算密集型应用程序的限制,从而导致瓶颈,使车辆难以确保所需的服务质量水平（Quality of Service,Qo S）。移动边缘计算,作为新兴5G网络的新架构和关键技术,已经被提出来解决这个问题。车联网基于MEC卸载技术是近年来研究热点,然而考虑到MEC的资源并不是无限的,卸载任务数量的不断增加将导致MEC服务器的负载超过其最大限制,这使得MEC无法保证每个车辆应用的Qo S。在这种情况下,车辆将不会受益于计算卸载。故合理的卸载决策和资源分配有助于提升网络的整体性能,保证车辆用户的体验。面对这些问题,本文做了以下研究:（1）针对MEC计算资源的有限性,面对可分割的计算任务,采用了部分卸载技术,考虑到卸载比率和资源分配会互相影响,故将二者进行联合优化,提出了一种基于块坐标下降技术联合凸优化和融合差分及柯西变异的麻雀算法的迭代优化方案（BCD-CONISSA）。该方案利用凸优化算法求解资源分配问题。由于麻雀搜索算法具有求解精度高、鲁棒性强等特点,故用来求解卸载比率问题,为了避免后期种群多样性减少,将基本的麻雀算法融合差分及柯西变异。再基于块坐标下降技术,将资源分配和卸载比率两个子问题迭代优化求解。仿真实验表明,相比于基准方案,本文所提的BCD-CONISSA卸载算法降低了计算任务的时延、能耗及开销。（2）针对多车多服务器的场景,面对不可分割的计算任务,采用了完全卸载技术,多个任务同时迸发至服务器,卸载决策将会影响整个网络性能增益,故将用户的卸载决策和MEC的计算资源分配进行联合优化,提出了一种两阶段启发式算法,在建模的过程中,通过引入权重因子将对时延和能耗的优化转化为对开销的优化,以减小系统内平均开销为优化目标。由于所求问题是典型的混合整数非线性规划问题,通常都是NP-hard,故将问题拆分成两个子问题。该算法在第一阶段利用改进的混合遗传算法求解卸载决策问题,对不符合约束条件的染色体和符合约束条件但对MEC计算资源并未充分利用的染色体进行了贪婪修正法进行修正,使其转换为对资源充分利用的染色体,从而提高算法的收敛速度和寻优能力。第二阶段利用改进的人工鱼群算法求解资源分配问题,基本的人工鱼群算法步长和视野一般是固定值,前期的搜索易陷入盲目搜索,故引入自适应因子使得视野和步长能根据外界环境信息的变化而动态的进行调整,这样算法在前期具有更好的全局搜索能力,还可以避免算法在后期容易发生的振荡的现象。仿真实验表明,面对多车多服务器场景,相比于基准方案,该方案能产生更低的时延、能耗及开销。