近年来,车联网（Internet of Vehicles,Io V）成为学术界与工业界研究的热点之一。随着车联网的快速发展,越来越多的智能车辆出现在道路上,并产生了许多需要大量计算的密集型应用,如自动驾驶、实时网络游戏和虚拟现实等。然而,车辆本身拥有的计算和存储资源有限,无法及时处理这些计算密集型应用。云计算（Cloud Computing,CC）服务器具有较强的计算存储能力,将计算密集型应用任务卸载至云服务器上执行是可选方案,但由于它通常部署在远离车辆的地方,数据传输过程将消耗大量的时间,很可能无法满足实时的任务处理要求。为此,车辆边缘计算（Vehicular Edge Computing,VEC）应运而生。VEC是基于移动边缘计算（Mobile Edge Computing,MEC）产生的,MEC靠近移动终端用户,将计算能力从云服务器推至无线接入网络附近的网络边缘。VEC可以将计算密集型应用从车辆本地卸载到资源丰富的边缘服务器上执行,加快了数据的处理时间。但目前部署的边缘服务器数量和边缘服务器的资源均有限。与此同时,尽管智能车辆也配备了高性能计算单元,然而它们并未得到充分利用。在这种情况下,如何设计出一种车辆边缘计算中的任务卸载策略,以充分利用智能车辆的空闲资源,弥补边缘服务器资源受限的不足,减少任务的总完成时间和能量消耗,已成为一个亟待解决的问题。在此基础上,本文研究了停车辅助下车辆边缘计算中的双重任务卸载策略,主要工作有:第一,本文提出将路边停放车辆组织成停车簇作为虚拟边缘服务器,以辅助实际部署的边缘服务器执行移动车辆产生的计算密集型任务。虚拟边缘服务器合理利用了停放在路边的智能车辆稳定且充足的计算资源,有效解决了车辆边缘计算中边缘服务器资源受限的问题。第二,本文设计了自上而下的任务调度策略,能够保证边缘服务器尽量按时完成卸载的任务。道路上的移动车辆产生若干需要卸载计算的延迟敏感型任务,将任务卸载请求统一发送给基站,基站执行所提出的自上而下的任务调度算法。最后通过解决多维多选择背包和0-1整数规划两个子问题,为所有卸载任务分配具体执行任务的计算资源和边缘服务器节点。该分配策略保证了全局任务分配的最优性,提高了任务的完成率,降低了任务的完成时间。第三,本文在自上而下的任务调度策略的基础上,对于分配到停车簇卸载执行的任务,通过停车簇内部任务分配最大限度地提高了停放车辆的收益。基于停放车辆执行子任务得到的固有奖励、时间惩罚函数以及车辆能量消耗情况,将停放车辆的利益表示为效用值,利用效用函数公式计算。该簇内任务分配降低了停放车辆执行卸载任务的能量开销,保证了任务的最小时延。大量仿真结果表明,停车辅助下车辆边缘计算中的双重任务卸载方案的性能显著高于其他几种对比策略。在降低任务卸载完成时间的同时,考虑了停放车辆的收益以及能量消耗,提高了车载用户的体验质量。