移动通信技术和人工智能算法的飞速发展,促使交通系统正朝着智能交通系统的方向蜕变。从互联网到物联网,再到如今的车联网,万物互联的进程逐渐影响到了我们身边的每个设备。从大数据到推荐系统,再到如今的自动驾驶,万物智联的趋势也逐渐改变了我们的生活与出行。融合了最新通信与计算技术的智能交通系统,其网联化和智能化的全面升级已经取得了重要的进展。然而,当前交通系统仍然存在着一些问题,通信覆盖和质量、计算资源和安全都已经渐渐无法满足日益增长的用户需求。空地协同机制的出现,为解决上述问题提供了全新的机遇。空地协同交通系统融合了空基网络（卫星、飞艇、无人机在空中提供的通信和计算服务）和地基网络（基于蜂窝车联网技术的车车通信、车地通信、车云通信等）,将传统的平面交通网络升级为通信、计算业务全覆盖的立体交通网络。然而,引入了空地协同机制后,交通系统接入了更多的终端设备,面对不断增长的用户需求,多维异构的有限通信、计算、缓存资源就成为了系统发展的瓶颈之一。此外,新机制也带来了更丰富的交通大数据资源,如何利用好交通数据,进行更高效地数据处理,也成为了亟待解决的重要问题。为了解决上述的资源管理和数据处理关键科学问题,从智能框架、数据采集、边缘计算、数据预测等角度实现空地协同交通网络的关键指标性能优化,研究空地协同交通系统中的通信与计算关键技术,是本文需要展开研究的方向。具体地,本文的主要研究内容和创新点如下:1)提出了一种基于空地协同的蜂窝车联网智能资源管理架构构和一种基于无人机辅助的车辆编队资源管理算法。首先,提出了一种全新的车联网智能资源管理架构,并详细描绘了系统的框架和各部分组成。其次,分析了基于空地协同机制的车联网智能资源管理系统面临的四大挑战,包括了通信、计算、缓存效率的进一步提升、端到端时延的进一步降低、克服车辆移动性对资源管理的影响、保障交通系统中用户的隐私安全。然后,针对新架构中的聚合型智能方案,提出了一种基于无人机辅助的车辆编队智能资源管理算法,在联合优化异构计算处理器资源、通信子载波和频率资源和控制上的车辆加速度决策的同时,最小化系统能耗,仿真结果验证了提出的智能算法有效性和优势。最后,梳理了新框架下潜在的研究机遇,设计了基于人工智能和下一代移动通信技术的新型车联网资源分配解决方案。2)面向新架构,提出了一种基于无人机辅助的资源管理与轨迹优化算法。首先,基于地面传感器的交通流数据采集场景,提出了一种基于无人机辅助的空地协同数据采集方案,研究了一个以能效最大化为目标的通信与控制联合优化问题,并考虑了反射系数、设备调度、轨迹优化等约束条件。其次,提出了一种基于深度强化学习的智能决策算法,进行了基于马尔科夫决策过程的问题重构,设计了相应的动作空间、状态空间、奖励函数;然后,又提出了一种基于对抗性神经网络架构的智能算法,以提高原强化学习算法的收敛性。最后,数据仿真结果显示通过无人机飞行轨迹、反射系数、设备调度的联合优化,可以提高系统的能量效率和公平性,相对于传统非智能算法提升了约20%的性能,证明了提出算法的数据驱动和大规模复杂问题的处理能力。3)面向新架构,提出了一种基于无人机辅助的资源管理与计算卸载算法。首先,针对传统边缘计算服务器固定的问题,设计了一种由无人机机群提供空中边缘计算服务的动态边缘系统,研究了该系统下的卸载决策、计算资源和通信资源联合优化问题。其次,基于马尔科夫决策过程重构了该混合整数优化问题,提出了一种基于深度强化学习的集中式多智能体强化算法。然后,针对集中式智能算法的安全隐患,提出了一种基于强化学习和联邦学习的分布式多智能体联邦强化学习算法。最后,仿真结果表明,分布式算法的设计在不牺牲太多能耗性能的前提下避免了隐私泄露,而且两种智能算法在系统总能耗的表现上都优于传统的非智能算法。4)面向空地协同交通系统,提出了一种基于无人机辅助的交通流预测与填补算法。首先,针对偏远地区交通数据采集困难,提出了一种基于无人机辅助的空地协同数据采集方案。其次,为了解决无人机航拍交通流数据的缺损问题,对缺失数据的模式进行了全面分析。然后,提出了一种基于深度学习的交通流预测与填补协同数据处理模型,并设计了几种基于神经网络的交通流预测与填补算法,使得缺损的交通流数据可以在填补后还能实现高精度的预测。最后,仿真结果表明,在数据缺失小于35%的正常场景下,基于深度学习的填补方法可以获得比传统方法更小的预测误差。