随着通信技术以及智能技术的快速发展,车联网中的业务也朝着智能化、多样化发展,随之而来的也产生了大量计算密集型任务,但是智能车辆自身有限的资源无法应对该挑战,车联网中的任务卸载技术被认为是一个有效的解决方案。车联网中车辆的快速移动会导致网络拓扑变化,进而会出现局部拥堵的情况,这给车联网中任务卸载问题带来了巨大的挑战。为此本学位论文考虑兼顾任务卸载的整体处理时延和算法耗时来设计拥堵场景中的车联网任务卸载问题。针对车联网拥堵场景,提出一种基于拥堵预测结合Q学习的任务卸载算法,通过车辆微观交通流模型中的跟驰模型对车辆短时位置速度变化情况进行预测,判断场景的拥堵情况并提前使用Q学习生成相应的任务卸载决策方案。仿真结果表明,该算法能够利用拥堵预测节省的时间来生成任务卸载决策,降低了算法耗时的同时保证了卸载算法的任务处理时延性能。针对Q学习可能在预测的时间内无法达到较好的收敛效果的问题,不太适合用于实时动态变化的车联网场景,因此我们将深度神经网络与Q学习结合来解决该场景中的任务卸载问题。该算法提前训练大量适合不同场景的神经网络,通过对拥堵场景变化进行预测,提前选择并导入适合的神经网络快速生成卸载决策,使得算法能够更加适应动态变化的场景。仿真结果表明,该算法能够在不同场景中快速生成任务卸载决策的情况下,降低了卸载方案的任务处理时延。