随着5G网络的大规模部署,推动了蜂窝车联网（Cellular Vehicle-to-Everything,C-V2X）产业快速发展,C-V2X已成为我国战略发展方向,不仅可以满足车联网高可靠、低时延需求,更有潜力满足用户对服务质量的多样化需求。本文重点研究智能网联车辆V2X（Vehicleto-Everything,V2X）通信模型、V2X资源分配、边缘计算与缓存协同算法,可为下一步边缘网络部署、车路云协同应用提供理论基础与技术支撑,主要创新研究工作如下:首先,围绕蜂窝车联网C-V2X通信模型展开研究,针对蜂窝车联网场景下复杂的网络状态、网络拓扑稳定性差等问题,分析了一种车联网无线信道V2X仿真模型,对基于高速公路场景和城市街区场景的核心通信节点进行建模,充分利用C-V2X融合通信的优势,可为蜂窝车联网移动通信模型的仿真验证提供借鉴和参考。然后,针对5G车联网场景下功耗较大、资源利用率低等问题,构建基于直连通信和Uu通信的信道模型。基于该模型,提出一种面向系统下行吞吐量最大化并保证V2V链路连接性的资源分配算法。鉴于蜂窝车联网网络的动态、时变和多样的特点,利用二分图最佳匹配（Kuhn Munkras,KM）算法动态调度信道资源。仿真结果表明,所提算法在下行链路吞吐量相较对比算法提升约3%,且最大限度地保证每个V2V链路的连接性。最后,针对智能网联交通V2X环境下网联车辆用户需求和有限计算资源之间的矛盾,构建多用户、多业务、多边缘服务器共存的边缘计算与缓存协同网络架构,优化计算、缓存资源的全面协同。基于该架构,提出一种基于多接入边缘计算的智能网联交通V2X业务协同卸载和缓存机制;引入最近最少使用（Least Recently Used,LRU）算法对边缘卸载任务进行识别并决策,利用边缘缓存结果并优化计算工作量;基于DDPG（Deep Deterministic Policy Gradient,DDPG）算法对边缘计算任务进行分布式卸载,实现本地与边缘卸载的协同决策。仿真结果表明,对比传统车辆本地卸载模型、服务器卸载模型和LOO（Local or Offloading,LOO）卸载模型,所提联合卸载模型可以获得更优的计算卸载性能。