车联网（Internet of Vehicle,Io V）技术的快速发展,催生了大量计算密集型和时延敏感型等新兴车载应用,车辆终端有限的计算资源难以满足新兴应用对时延和能耗的要求。而传统的基于移动云计算的任务卸载存在传输任务耗时较长、传输干扰波动较大的缺陷。基于移动边缘计算（Mobile Edge Computing,MEC）的车联网,即车辆边缘计算（Vehicular Edge Computing,VEC）网络的出现为解决上述矛盾提供了一种新的范式。它通过在车辆近端的路边单元（Road Side Unit,RSU）中部署边缘服务器为车辆提供计算卸载服务,缓解了车辆的计算压力,满足了车辆计算能力的扩展需求,有效降低了任务卸载时延和能耗。然而,在车辆边缘计算网络中,服务器的计算资源有限且分布较为分散,未来车载应用低时延需求和车辆高速移动导致的网络拓扑环境多变等问题给车辆边缘计算网络的任务卸载和资源分配带来严峻挑战。因此,本论文重点研究基于移动边缘计算的车联网中任务卸载与资源分配的方法。论文的主要研究内容如下:针对车辆边缘计算网络中服务器计算资源匮乏以及定价机制单一问题,在综合考虑卸载策略和价格策略的基础上,提出了基于多主多从Stackelberg博弈的任务卸载方法。首先,该方法将车辆采用部分卸载方式,有效缓解了计算资源不足所带来的计算过载问题。其次,将车辆和服务器效用最大化问题建模为多主多从Stackelberg博弈,实现时延约束下车辆和服务器双方效用的最优化;服务器端应用非统一定价机制辅助车辆进行卸载。最后,利用分布式迭代算法分析并实现了博弈均衡。仿真实验表明,在不同的网络条件下,所提出的卸载方案收敛速度快,在车辆效用方面总是优于其他现有研究方案。针对车辆边缘计算网络中车辆移动性导致的拓扑环境多变以及边缘服务器计算资源有限带来的计算资源分配不合理问题,提出了基于匹配理论和价格激励的任务卸载与资源分配方法。首先,定义了两种车辆类型,即任务型车辆和服务型车辆,并提出了任务型车辆卸载模式选择机制。其次,在考虑车辆移动性所带来的传输增益的基础上,综合考虑车辆的卸载时延、能耗、费用以及传输增益,通过最小化成本函数来提高卸载效率和计算资源的利用效率。最后,提出了基于匹配理论和拉格朗日对偶方法的分布式迭代算法来获取最优的卸载策略和资源分配策略。仿真结果表明,与其他现有方案相比,该算法复杂度低,有较强的鲁棒性,显著降低了车辆的卸载成本。