随着计算密集型的自动驾驶类应用的需求不断增长,而具有高速移动性的车辆需要保证驾驶安全性,使得车联网(Internet of vehicles communication,IoV)通信面临着严格的端到端时延限制和可靠性要求的重大挑战。雾计算是靠近终端用户部署分布式计算、通信和控制功能的网络架构,而将计算处理能力有空闲的车辆作为雾节点提供通信和计算服务的雾计算架构,称为车辆雾计算(Vehicular Fog Computing,VFC)。车辆雾计算是一种很有前途的方法,它具有通过将计算密集型任务卸载到雾节点来改善车辆服务的巨大潜力。现有的车联网场景下的雾计算的研究主要集中于路侧单元服务器并进行资源调度,很少有关注车辆移动性尤其是在车辆雾计算场景下的卸载决策和资源分配的研究,但实际中车辆雾计算中的卸载决策十分重要。本文专注于车辆雾计算场景下的的计算卸载问题,目的是提供稳定的连接并减少任务完成时延。创新点与具体工作总结如下:(1)本文引入与连接保持时间和任务完成时间相关的系统效能函数,作为匹配策略执行的依托和系统性能评价的指标。首先基于匹配理论研究了车辆与车辆雾节点(Vehicle Fog Node,VFN)之间的相互选择策略,根据场景应用车辆匹配扩展KM算法(Vehicle matching expand KM algorithm,VMEKM)完成匹配并使系统总效能最大。接着在匹配结果的基础上,定义并转化通信资源分配问题,通过引入遗传算法设计信道分配遗传算法(Channel allocation genetic algorithm,CAGA)解决问题。仿真结果表明,两个算法分别可以在提升系统效能和减小系统时延中发挥作用,通过两个算法的连续过程完整的完成了公共资源的分配,优化了系统中连接的稳定性和任务完成时延。(2)本文对单个VFN中所有连接已确定情况下的单个任务研究任务卸载策略,针对特定任务类型设计了一种新的任务处理机制,又基于该机制设计了启发式的联合卸载策略和资源分配算法(Joint offloading policy and resource allocation,JOPRA)以优化系统总时延。算法与所设计的任务处理机制相结合,通过优化卸载比例、子任务划分比例并进行计算资源的分配,从每个任务本身和VFN内分配的方式多角度减小系统总时延。仿真结果表明,该算法通过充分利用通信资源和计算资源的方式,可以明显减少系统中的总任务时延。