随着移动通信与人工智能技术的发展,计算密集型车载应用对网络和计算性能的需求不断攀升,使得车联网的数据处理压力不断增大。由于长距离通信时延大,单纯依赖云计算已不能完全缓解车联网的压力。靠近用户侧的边缘计算因灵活的资源调度管理可缓解车联网的压力,近年来已成为研究的热点。将边缘计算应用到车联网场景,可以增强车联网网络边缘的通信、计算、存储/缓存功能,实现系统快速响应,从而推动自动驾驶终极目标加速落地。然而,仅依靠资源有限的边缘服务器,难以应对智能网联汽车新型车载服务的爆发式增长。随着车载通信与计算能力的不断提升,以及用户对数据隐私的密切关注,数据越来越倾向于在本地终端进行处理。因此,车联网势必会形成以终端智能为依托的边缘计算发展方向。由于单一的车载终端资源有限,车辆往往需要通过协作进行资源管理和车载调度,以实现终端智能。在车联网场景中,车车通信链路生存周期较短且不稳定,各终端可利用资源具有差异性,给协作车辆的终端资源调度带来了挑战。如何汇聚与调度协作车辆的终端空闲资源,实现数据本地处理亟待深入研究。为应对上述挑战,本文聚焦车辆编队网络扩展边缘计算范式,展开基于车辆编队的资源分配与调度优化研究。从网络连通性分析、任务卸载、边缘学习和多车辆编队通信四方面入手,分别探究多用户接入对链路性能的影响、多任务卸载请求对车载资源的竞争、终端服务能力差异性对边缘学习的影响,以及通信资源受限对多编队分布式学习的影响四个问题。论文的主要研究内容和和创新点包含以下四个方面:（1）基于车辆编队的网络连通性分析。随着智能网联汽车数量的不断增加,车联网面临着多用户信道接入竞争与数据包碰撞概率增加的问题。基于此,本文从车载中继网络入手,针对车辆移动性和多用户信道接入竞争对网络性能的影响,开展基于车辆编队模型的网络连通性分析。首先,综合分析中继网络中车辆密度、车辆速度、数据包碰撞概率和中继概率之间的关系;其次,考虑车辆的移动性,建立基于车辆节点移动性的中继通信网络下行性能分析模型;最后,在考虑车辆密度和退避窗口大小的情况下,提出调度车辆形成编队减少数据包分组碰撞概率。仿真结果表明,当交通流密集较大时,车辆编队模型可以充分发挥中继节点的作用,减少用户接入碰撞概率,提升链路连通性。（2）基于任务卸载的资源分配和车辆调度研究。由于车辆移动性、车载服务差异性、车辆自私性以及多任务请求,在车辆编队网络中任务卸载面临卸载效率低的问题。针对车辆移动行为,考虑卸载任务的回收问题,提出基于任务卸载与回收的资源分配与调度方案,避免因任务不完整造成卸载服务失败。针对车辆移动导致的编队不稳定性,利用排队论进行任务卸载处理过程建模。同时,为克服车辆自私性对车辆编队资源利用的限制,解决多任务请求者与多资源提供者之间的竞争关系,提出基于多主多从博弈的任务卸载方案,激励车辆贡献资源,并利用强化学习算法求解卸载方案的价格决策和计算资源分配。仿真结果表明,强化学习算法可以避免当计算资源不充足时出现多任务盲目竞价的情况,实现编队内资源的合理利用。（3）基于边缘学习的资源分配和车辆调度研究。有限的通信和计算资源,以及用户对隐私保护的日益关注,均给车联网中海量数据分析和训练带来了严峻的挑战。针对该问题,本文设计了基于车辆编队的边缘学习框架。同时,编队内各成员间的服务时间、服务能力具有一定的差异性和局限性,影响着模型的学习性能。因此,在此架构下设计两阶马尔可夫随机过程描述各参与车辆间学习服务质量。针对通信资源有限性和车辆服务能力差异性对模型训练性能的影响,提出了基于学习有效性的车辆调度方案。在最大可容忍学习时间约束下,设计了一个按需动态优化车辆调度和资源分配的方案,以最大限度地提高模型预测准确性。仿真结果表明,所提出的调度策略能够按需调度参与车辆数量,有效权衡学习性能和学习延迟之间的关系。（4）基于智能反射面的资源分配和多编队调度研究。如何在资源受限的边缘计算系统上减少本地学习模型的聚合时间,是边缘学习亟待解决的一个关键问题。基于此,本文研究了基于智能反射面的多车辆编队调度学习和资源分配问题。由于反射单位相移优化问题的非凸性,针对单智能反射面辅助与大规模智能反射面辅助通信分别提出了基于序列优化和基于分组的相移优化方案。为了解决模型训练效果与编队通信性能、计算性能之间关系难以用数学公式精确描述的难题,从基于分组的相移优化方案出发,利用概率模型刻画多编队调度通信的可靠性。最后,联合编队的通信可靠性与计算可靠性设计基于学习可靠性的编队调度方案,以权衡被调度用户计算与通信性能之间的关系。仿真结果表明,智能反射面辅助通信可以有效提高多用户通信网络的可靠性,并验证了基于学习可靠性调度方案的合理性。