物联网与移动通信技术的发展促进了车联网的快速发展。而在车联网中,存在着大量诸如无人驾驶的计算密集型与时延敏感型应用,仅凭车辆自身有限的计算资源难以保障服务质量。移动边缘计算（Mobile Edge Computing,MEC）将云服务下放至网络的边缘端,既能够为车辆提供额外的计算资源,又能够避免因通信距离过长而导致的时延与能耗增加。因此,将移动边缘计算引入车联网中,构成的车辆边缘计算（Vehicular Edge Computing,VEC）成为了一个具有前景的解决方案。然而,边缘服务器的资源有限,在交通流量增大时难以同时满足系统中所有用户的计算需求。此外,车辆的移动性会使网络拓扑结构快速变化,从而频繁导致通信链路断裂、基站切换的情况出现,降低了计算卸载效率。因此,在车联网边缘计算场景中,如何设计高效的资源分配方案,如何利用网络中的空闲资源提高资源利用率以及如何针对车辆的移动性提出有效的任务卸载方案是本文的研究重点。本文的具体研究内容与创新点如下:1.针对交通流量大的车辆边缘计算网络中存在的资源受限问题,提出了基于通信与计算资源联合优化的集中式资源分配与任务卸载方案。在问题的建模中,引入了动态电压调节技术（Dynamic Voltage Scaling,DVS）技术,通过对车载计算单元工作频率、通信发射功率、车辆的任务卸载量与边缘服务器的计算资源分配进行联合优化,在满足任务时延约束的条件下优化了车辆用户的能耗。为了解决非凸优化问题,采用凸差规划（Difference of Convex,DC）将其解耦为两个凸的子问题,并利用拉格朗日对偶分解法进行联合迭代求解。最后通过仿真实验验证了所提模型与算法在能耗优化方面的有效性。2.针对车辆边缘计算网络中因车辆移动性而导致的任务卸载效率下降的问题,提出了一种基于强化学习的分布式在线学习任务卸载策略。为了应对高度动态的车辆边缘计算网络环境,将任务卸载过程建模为多臂赌博机（Multi-armed bandit,MAB）问题,优化目标为最小化平均任务时延。为了解决动态环境下的任务卸载问题,提出了基于多臂赌博机的分布式在线学习任务卸载算法,使车辆用户能够在任务卸载的过程中学习周围环境的信息,从而不断优化自身的卸载策略。为了提高算法的学习效率,设计了基于路边单元（Road Side Unit,RSU）辅助的用户协作机制,使用户可以共享彼此学习到的信息。理论分析表明,所提算法可获得对数形式的遗憾函数。仿真结果表明,所提算法与其他现有算法相比,更能适应复杂时变的车辆边缘计算网络环境。3.针对车辆边缘计算网络任务卸载过程中存在的用户资源竞争现象以及用户公平性难以保证的问题,提出了基于公平匹配多臂赌博机的分布式任务卸载策略。为了保障用户间的公平性,该方案以满足所有用户的服务质量需求为目标,建立用户与计算服务提供者之间的匹配,用户按照匹配的结果进行任务卸载。为了解决时延约束下的平均能耗最小化问题,本文提出了一种基于李雅普诺夫优化的动态任务卸载算法,将优化问题解耦为任务卸载决策子问题与功率优化子问题。任务卸载决策子问题通过基于公平匹配多臂赌博机的算法进行求解,功率优化子问题通过基于DC规划的优化算法进行求解。仿真结果表明,所提算法能够有效地避免资源竞争的情况,同时保障用户间的公平性。