车联网技术的快速发展催生了大量新型车载应用并对服务时延等方面提出了更高的要求。车载边缘计算(Vehicular Edge Computing,VEC)作为保障车联网服务质量有效方法,通过引入边缘计算技术,提供了计算卸载的方式以加速任务的执行。其中,时延和能量消耗是评估边缘计算卸载性能的关键指标。然而,在VEC场景下,车辆快速移动会导致计算卸载过程发生连接切换并引入额外时延,降低了用户体验。另外,计算资源空间分布以及网络拓扑结构的不断改变,增加了在该场景下捕获最优时延能耗的难度。本文针对不同的VEC场景,对计算任务卸载过程中时延和能量优化问题开展研究,主要做了以下三个方面的工作:针对VEC场景下车辆位置变化造成计算卸载过程中时延性能变差的问题,提出了时空联合优化计算任务卸载方案。首先,基于对车辆运动过程中计算任务上传、计算、回传以及接收过程的分析,推导得到了任务总完成时延的表达式,并构建了能耗限制下以最小化任务完成总时延为目标的非线性混合整数规划问题。其次,为解决优化目标函数非凸不易求解的问题,对场景下的时空相关性进行分析,将原优化问题拆分成两个优化子问题,并分别采用两阶段决策树算法与动态规划方法求解。仿真结果表明,相较仅考虑卸载位置的空间卸载方案和最近位置卸载方案,所提方案能够进一步减小时延。针对VEC场景下边缘计算服务器停留时间不足以完成计算卸载过程而导致产生迁移代价的问题,提出了深度强化学习计算任务卸载方案。首先,基于概率理论,推导了不同卸载选择下的迁移代价和相应概率,并建立了最小化加权时延和能量以及迁移代价的序贯决策问题。其次,利用所构建优化问题的时序决策特性,提出了一种结合贝叶斯推理的深度Q值网络算法,该算法可以兼顾输入状态以及输出卸载决策准确性。仿真结果表明,与传统卸载方案相比,所提的方案能够有效降低计算任务执行的消耗的代价,并验证了提出学习算法的收敛性。针对VEC场景下计算卸载过程中网络拓扑结构和计算能力变化带来卸载选择不确定性的问题,提出了分布式学习计算任务卸载方案。首先,基于对计算任务卸载至不同侧服务器执行过程的分析,分别推导了任务完成时延表达式,构建了平均时延最小化问题。其次,在车辆缺乏环境信息的条件下,结合不同侧服务器计算能力变化特点,基于多臂赌博机(Multi-Armed Bandit,MAB)的理论,根据一系列历史信息构建效用函数并将对应函数值转化成概率分布进行卸载决策。仿真结果表明,相比于传统的基于MAB理论的卸载方案,所提方案计算完成所需的时延更低,能够更好地适应动态变化的环境。