车联网作为第五代移动通信技术（5th-Generation Communication Technology,5G）的重要应用之一,其应用服务有着多样化的服务质量（Quality of Service,Qo S）需求。随着联网车辆的增加,车联网中频谱资源愈发稀缺,采用正交多址接入方式,难以有效利用频谱资源。5G车联网引入了非正交多址接入（Non-orthogonal Multiple Access,NOMA）技术,以此提升网络容量。在面向NOMA的5G车联网系统中,车联网用户的频谱、功率分配,以及计算任务的调度策略,关系到车联网的系统能耗和网络性能。首先,围绕面向频谱复用的5G车联网功率分配问题,分析车联网中不同类型的服务对时延、传输速率等需求的差异性,运用马尔可夫决策过程（Markov Decision Process,MDP）方法,构建车联网用户功率分配框架,给出系统传输速率最大化的随机优化模型。针对随机优化问题直接求解困难的情况,设计基于深度强化学习（Deep Reinforcement Learning,DRL）的功率分配算法DDPA进行求解。仿真结果表明,DDPA算法可有效提升系统传输速率。其次,围绕面向NOMA的5G车联网频谱和功率分配问题,分析车联网中安全类应用服务的低时延和高可靠性需求,运用MDP方法,构建车联网用户频谱和功率分配框架,给出系统能量效率最大化的随机优化模型。提出基于DRL的DDSPA算法求解该模型,设计事件触发器模块优化神经网络计算。仿真结果表明,DDSPA算法可有效提高车联网系统的能量效率,所设计的事件触发器模块可有效降低算法迭代时间。最后,围绕面向NOMA的5G车联网任务调度问题,综合分析任务请求的突发性和车联网不同应用服务Qo S需求的差异性,构建任务调度和资源分配框架。从保证计算任务平均排队时延的角度出发,给出系统能耗最小化的随机优化模型。运用Lyapunov优化方法,将原始优化问题转化为每个时隙内的静态优化问题,设计LECTS算法进行求解,对算法有效性进行分析。仿真结果表明,LECTS算法可有效降低系统能耗。