随着车联网技术的逐步成熟和应用落地,未来将有大量的车辆产生边缘计算和接入网络资源的需求。智能的网络资源调度技术将会赋能车联网,改善联网车辆的驾乘体验,极大地提高交通效率,提升交通系统的安全性。然而,目前的无线网络中可用的频谱和计算资源有限且匮乏,这对于满足联网车辆的高质量网络服务需求提出了一个新的挑战。为满足随车联网发展与日俱增的资源需求,就需要更加有效的网络资源的组织和调度技术。本文研究能够自适应车联网环境的无线资源智能调度技术。主要研究内容和创新如下:（1）以认知无线电为技术背景,提出一种应用于城市车联网中的基于车辆行驶状态优先级和场景模拟的频谱调度方案——FinderMCTS。在Finder-MCTS中,按照根据车辆行驶状态得出车辆用户的调度优先级顺序,将离线训练的深度神经网络作为环境模型,引入主用户的动态场景模拟来校正认知车辆用户的实际网络收益,利用蒙特卡洛搜索树算法给出频谱资源调度解。该方法具有两大优势。一方面,此方案能改善系统的频谱资源利用率和用户使用质量。另一方面,该方法通过将认知无线电资源调度的干扰约束添加到树搜索的过程中,可以提升搜索效率。（2）针对现有的边缘计算基础设施部署和维护成本高不适用于偏远地区车联网环境的问题,本文引入天地一体化车联网的概念,给出了一种以低轨通信卫星为边缘计算中继将网联车辆上的过剩计算任务卸载到低轨通信卫星覆盖范围内城市云计算中心的调度方案。在这一调度方案中,基于车辆用户的计算任务属性和计算资源定价交易体系,提出对车辆用户延迟代价最小化和计算资源供给侧收益最大化的目标进行协同优化,使用组合多臂赌博机自适应学习输出最优的计算任务和云计算中心匹配解。同时,针对优化问题中的先验性假设条件进行分析,本文采用组合多臂赌博机对低轨通信卫星运行轨迹覆盖范围内的地面城市云计算中心的计算服务质量进行自主学习和参数更新,从而优化了问题求解的质量。（3）通过仿真验证本文提出的频谱调度方案和计算任务调度方案的可行性和高效性。实验表明,与现有算法对比,本文提出的Finder-MCTS方法在信道利用率、平均链路容量和平均收敛时间等方面可以获得较好的性能。同时,在天地车联网的仿真场景中,我们给出的基于自适应参数学习的协同收益优化方案相比传统任务调度方案在平均调度时延和匹配系统收益等方面体现出优势。综上,本文通过一种基于车辆行为状态优先级和场景模拟的频谱调度方法和一种基于协同优化用户时延代价和系统网络收益的自适应车辆任务调度方案来管理两种场景下车联网中的无线资源,进而保证车联网中无线资源管理的质量,极大地提升资源管理效率。