车联网与多接入边缘计算(Multi-access edge computing,MEC)结合的相关研究引起了学术界和工业界的广泛重视。由于二进制卸载变量的引入,大量涉及卸载节点的选择及通信资源的分配的边缘计算问题,往往会建模为非线性混合整数规划问题(Mixed Integer Non-Linear Programming,MINLP),该问题往往是一个非凸的NP-hard(non-deterministic polynomial hard,NP-hard)问题,求解较为困难。另外一方面,很多文献的研究都建立在基站能够获得准确、实时的信道大小,而车联网领域,高速运行车辆及所处复杂环境产生的信道对获得准确、实时的信道估计带来挑战。本文首先针对运动车辆产生的复杂信道特性进行分析,依据高速公路、城市两种常见的场景分析信道进行建模,在这两种场景下分别提出基于加权平均的时隙均值估计方案和基于小波重构的加权平均时隙均值估计方案,接着归纳两个场景节点分布的共同特点,提出适用于一般场景的基于信道组合特征分析的时隙均值估计方案,仿真表明,所提时隙均值估计方案兼顾了信道估计误差和时间开销,为卸载及帧时隙分配策略提供了较为准确的判断依据。在获得准确信道估计的基础上,首先建模基站覆盖范围内节点计算和通信模型,通过求解卸载策略及帧时隙分配策略,最大化基站覆盖范围内所有节点吞吐量之和,该优化问题同样为非线性混合整数规划非凸问题。提出两阶段策略进行求解:第一阶段,使用基于双经验池的增强学习(Dual Memories-Deep Reinforcement Learning,DM-DRL)算法,求解系统卸载策略,该算法能快速收敛不断变化的节点分布。第二阶段,卸载策略的确定将混合整数非凸问题转化为凸问题,通过拉格朗日乘子法求解卸载节点帧时隙分配比例;通过分析信道特征建立卸载队列,确定帧时隙顺序,进一步提升了系统总吞吐量。实验表明,所提算法具有接近全局最优解的性能,相比坐标下降法具有时间上的优势。