随着国民经济水平的提升,车辆渐渐成为人们生活中不可或缺的部分,同时也带来了交通拥堵、事故等社会问题。而以车联网技术为代表的信息技术的发展为这些问题提供了解决的可能。由于车联网技术涉及到的多为与人身安全密切相关的实际应用,因此在产生之初就不得不对其通信的安全可靠性能提出非常严苛的要求,具体而言,包括车辆传输信息过程中的高准确性、低延时性及强抗干扰性。同时得益于近几年计算机算力的飞速发展,数据驱动类算法得到快速的发展,并在众多领域发挥着越来越大的作用。在这样的背景下,本文主要结合数据驱动思想类算法针对车联网中无线通信的可靠性能展开了分析,重点关注车联网中无线信道的估计问题和干扰密集区域的辅助抗干扰策略研究。车联网环境的高动态性对信道估计的策略提出了更高的要求,本文针对车联网无线通信的特点设计了以卷积神经网络为基础的网络模型用于无线信道的通信信息恢复。不同于现有的先依据导频明确估计信道状态信息再进行传送符号恢复的传统正交频分复用系统接收处理算法,所提的VNET深度学习算法并不明确估计信道状态信息而直接进行传送信号的恢复。模型的训练过程采用线下模式,并将训练好的模型用于线上的测试。所提出的VNET网络在仿真数据集上的表现优于传统算法和前馈神经网络算法性能,进一步证明了数据驱动类算法在估计复杂环境中的无线信道问题中的巨大潜力。由于车联网应用中存在大量的严重的信号干扰,本文提出了基于路边通信单元辅助中继的抗干扰策略,意在缓解车辆密集区域中车辆间自身信号干扰及车联网环境中存在的智能干扰器干扰现象。具体来说,在接收车辆信号严重阻塞或受到攻击时,路边通信单元会中继发送车辆所发送的信息以较好的无线传输环境将信息中继给接收车辆。整个问题模型从路边通信单元的角度出发,在基于策略梯度算法和状态值评估算法的求解基础上,结合对抗学习的思想,对中继策略执行体路边通信单元进行了重新训练,最终在误码率和效用函数性能表现上均有明显的提升,验证了所提策略的有效性。