在当前万物互联的背景之下,车联网、无人机的相关应用越来越广泛,尤其在一些特殊的城市通信场景中（比如应急通信）,利用无人机机动灵活的优势,可以将其与车联网进行结合,为无法接入基站信号的车辆和用户提供良好的通信服务。本文设计并研究了无人机在城市应急场景中的两大应用。首先,在城市应急场景中,为了更好地得知地面的受灾情况,利用无人机航摄各个需要重点监测的地区,然后将拍摄到的图片信息传输到正在行驶中的车辆。在此过程中,无人机的飞行轨迹会对信息采集和传输性能造成一定影响。为了研究无人机的最佳轨迹规划问题,本文建立了无人机与车辆协同运动过程中的信息传输问题模型。针对此模型,可以采用传统的粒子群算法对无人机飞行速度进行求解。但无人机遍历采集点的先后顺序是离散问题,故必须对粒子进行离散化处理,使得粒子搜索空间由连续空间变为离散空间,从而求解出无人机到下一采集点过程中的飞行目的地。为此需要将原始粒子进化方式和离散化的粒子进化方式结合。同时,考虑到粒子群算法在计算迭代过程中容易出现过早收敛的问题,引入遗传算法中的杂交、变异思想对算法进一步改良,最终得到一种全新的混合算法——遗传混合粒子群算法。通过最终的仿真实验证明,本文提出的算法较于未改进的算法能够在保障信息传输质量的基础上达到更快的收敛速度。在地震等重大灾害发生中,基站和路侧单元等基础设施遭到破坏,此时,利用无人机作为空中基站进行部署以快速恢复灾后车辆间的通信和重点区域管控。考虑到放飞无人机数目的限制,无法对所有路段实现全部覆盖,因此无人机应该重点覆盖车辆密集、通信频繁的热点区域。鉴于目前已有大量文献对热点区域划分方法做了相关研究,因此本文研究的侧重点在于在已知的热点区域分布的前提下,通过合理设计的无人机部署方案,实现有限无人机对尽量多的重要热点区域的最大化覆盖。考虑到布谷鸟算法参数较少、全局搜索能力较强,因此本文使用该算法进行无人机部署。然而,传统布谷鸟算法在更新鸟巢过程中存在较强的随机性,常常出现不合理的鸟巢位置。对此,本文提出了一种改进的布谷鸟算法以求解无人机最佳部署位置。最终仿真实验结果表明,本文所提的改进后的布谷鸟算法相比于改进前的算法收敛性速度更快,且该算法得到的结果接近目标最优解。