随着移动通信技术和车联网技术的迅速发展,智能交通与智慧出行等车联网新应用不断涌现,车联网移动设备的连接数及移动数据流量需求呈爆炸性增长;传统的移动网络因回程带宽与频谱资源等限制,难以满足高密度接入设备对高带宽低时延业务的需求。针对上述问题,5G支持通过移动边缘计算（MEC）技术将缓存、计算和处理等功能下沉至网络边缘,极大地增强了车联网的数据分发和处理能力。基于MEC技术的缓存可实现将热点内容预放置在靠近车辆用户的网络边缘,从而支持高带宽低时延的内容分发业务;其不仅有效缓解了回程网络带宽压力、降低网络时延,也为未来智能驾驶等高可靠的业务需求提供了技术支撑。车联网中节点的高移动性使得其网络拓扑呈现出复杂的时空变化,并导致车辆用户的无线通信状态等发生动态变化。现有的移动边缘缓存方法难以直接用于车辆用户高移动性和服务时间受限的车联网场景,导致车联网中大量新兴应用要求的高带宽、低时延内容分发服务需求无法得到满足。因此,本文主要研究5G车联网的边缘缓存资源调度优化方法,实现车联网中缓存资源与无线通信资源的跨域联合优化,并针对车辆节点高移动性导致的地理位置持续变化、内容流行度的动态时空变化以及多码率视频的用户QoE评价问题进行了研究。本文取得的主要成果如下:第一,提出一种基于MEC的移动边缘缓存调度策略。针对移动网络内容分发时延与系统能耗的优化问题,首先对移动边缘缓存理论与技术进行研究;其次,提出一种基于MEC移动边缘缓存的用户平均时延与系统能耗的联合优化方法,揭示了缓存容量、回程带宽以及内容流行度分布等因素对缓存方法与系统性能的影响,实现了缓存资源和通信资源的跨域联合优化;最后,仿真结果表明提出的方法可在较低的缓存资源代价下逼近最优的时延性能,有效节省网络运营与部署成本,降低了能耗开销,并可为绿色供能提供参考方案。第二,提出基于移动性感知的车联网缓存资源调度优化方法。针对车联网自动驾驶等应用对低时延、高带宽的业务需求以及车辆节点的高移动性对缓存与网络性能的影响。通过结合第一部分的结论,首先提出一种车联网中的MEC缓存架构,以实现内容的快速分发;然后,建立最大化用户平均下载比例与缓存效率的联合优化问题,并通过参数控制,将该问题转化为确定缓存代价下的最大化平均下载比例问题;进而,将联合优化问题拆分为一个单极值子问题和一个非线性整数规划子问题,针对单极值子问题,本文采用数值方法对其进行求解,针对非线性整数规划问题,本文设计了一种JOVNC算法进行求解;最后,仿真实验表明本文方法有效地提高了缓存效率,提升了车辆用户的平均下载比例性能,该方法有效地实现了车联网中缓存资源与通信资源的跨域联合优化。第三,提出基于时空动态流行度感知的车联网缓存资源优化方法。针对车联网中车辆快速移动对缓存内容流行度带来的影响,尤其是车辆用户跨区移动导致内容流行度呈现出的时空变化问题。首先,本文对内容流行度的特性进行分析并对强化学习方法进行概述。然后,针对该问题,建立以最大化车辆用户平均下载速率为优化目标的动态内容流行度感知的车联网缓存资源优化问题,并提出一种结合了深度强化学习的车联网缓存资源优化算法对其进行求解;为适应更快的流行度变化,本文对深度强化学习算法进行改进,有效提高了收敛速度和准确性;最后,仿真实验表明所提方法实现了车辆用户的平均下载速率的提高,并解决了车联网中内容流行度动态时变环境下的内容快速分发问题。第四,提出基于QoE感知的车联网缓存资源优化方法。针对车辆用户因车载设备和通信条件等差异性对移动视频QoE感知不同,且移动网络静态节点的QoE评价方法难以适用于车联网高动态场景的问题。首先,提出一种车联网移动视频QoE评价模型;然后,针对多码率移动视频缓存中视频质量与多样性的权衡问题,本文以最大化用户平均QoE为目标,提出了一种基于深度强化学习的车联网缓存资源优化方法进行求解。本文还进一步对该方法中的深度强化学习算法进行改进,有效提高了车辆用户的平均QoE并增强了算法的收敛性能;最后,数值仿真结果表明与其他基准算法相比,本文所提方法获得了更高的用户平均QoE性能。