随着视频业务和先进计算技术的不断发展,移动用户对网络资源和性能的要求也在不断提高。近年来,移动边缘计算（Mobile Edge Computing,MEC）技术被应用于车辆网络（Vehicular Networks,VNs）中,以应对车辆的高移动性和网络拓扑结构的变化。随着智能交通系统的快速发展,用户对道路状况的传递、交通事故的预测和车载娱乐的要求越来越高。但是,通过小单元进行致密化和在基站中进行缓存所需的安装和维护成本非常昂贵,且现有的VN通信技术研究更多针对于普适化的数据和文件的分发与缓存,而对于车载视频的研究较少。此外,VN缓存更多的倾向于对文件平均化处理,且在VN中用户的高移动性也使得车辆的链接概率问题尤为突出。为解决MEC中的VN缓存带来的上述问题,本文重点考虑了视频文件属性和缓存容量限制,提出了一种分组视频缓存策略,有效提升了缓存命中率并降低时延。进而,本文提出了用户体验质量（Quality of Experience,Qo E）感知的视频缓存策略,使得流量卸载达到最大化。本文主要研究内容分为以下两个方面:（1）本文以缓存命中率和延迟作为评价缓存性能的指标,提出了一种分组视频缓存策略。该策略首先将VN的视频内容进行分组处理,然后,运用拉格朗日函数和朗伯函数求解最优缓存概率矩阵。我们进一步构造由缓存时延和缓存命中率组成的收益函数,以收益值最大化为目标。本文通过在MATLAB上对车辆与道路进行模拟,进行仿真实验。实验结果表明,视频文件大小和缓存大小的双重影响是影响缓存概率的重要因素;同时,在视频内容流行度、用户请求概率、通信距离、用户分布密度不断变化时,本文的GPC算法都能取得相对最大的收益。需要注意的是,用户分布密度过大时,收益值会降低。（2）本文通过内容的检索时间差异来考虑对用户体验的影响,通过将缓存卸载流量所占全部流量的百分比作为度量Qo E的指标。本文首先对该场景进行分析建模,并制定优化问题,进而转化为更易求解的几何规划问题,在保证用户体验保障的同时,实现流量卸载最大化;同时本文在MATLAB中进行了基于跟踪的模拟,并且表明,总流量半数以上可以被卸载,优于现有的缓存方案。