随着社会的飞速进步,互联网与物联网深度融合,车联网、无人机网等新型控制类应用场景快速涌现,此类场景下的应用对网络吞吐量和延迟提出了更高的要求。本文分别对车联网环境下的边缘缓存和任务卸载两个方面进行了综合分析,提出了基于边缘计算的内容缓存和基于车辆雾计算的任务卸载策略,旨减少系统能耗和时延,提高用户服务质量。本文主要工作如下:为了解决车联网中存在的响应时延过高的问题,本文提出一种基于多智能体强化学习的车联网边缘缓存方案。在该方案中,移动车辆可以根据对环境的观察自适应的做出最优的内容访问决策和内容缓存决策,降低内容分发过程中的端到端时延。实验结果证明本文提出的车联网边缘缓存方案与其他方法相比,在降低内容分发的时延、提高内容命中率和成功率方面有较好的表现。通常而言,在农村高速公路周围部署的路测单元（RSU）具有有限的能量,需要有选择的将部分任务卸载到雾化车辆上处理。因此,本文提出了一个车辆雾计算任务卸载框架,在此基础上,提出了一种基于模糊逻辑的Q学习任务卸载算法,在满足任务最大时限和资源可用性的约束条件下,将任务卸载到雾化车辆,减少RSU的能量消耗以及整体的响应时间,提高用户服务质量（QOS）。实验表明,本文提出的任务卸载策略相比于其他算法有着更好的性能。