作为自动驾驶和智能交通系统的核心技术,车联网将实现车、人、交通基础设施以及网络平台等全方位连接和高效准确的信息通信,是解决交通拥堵、交通事故以及环境污染等全球性问题的重要手段之一,已成为当今学术界和产业界的研究热点。道路安全和自动驾驶等车联网应用提出了低时延、高可靠、高移动性等新的移动通信需求与挑战。然而,考虑到复杂时变的车联网环境,目前的用户关联与资源分配算法在缺乏瞬时信道状态信息（CSI）条件下不能有效地满足车联网安全类业务超低时延和超高可靠要求。此外,车联网低时延要求也对现有算法的计算复杂度提出了更高的要求。因此,本文重点研究了面向车联网低时延高可靠通信（URLLC）的用户关联与资源分配策略,首先对URLLC用户的可达速率进行精确建模并研究了基于深度强化学习的功率分配算法,在缺乏完美CSI条件下最大化系统长期平均容量。在此基础上,进一步考虑车联网中业务流量时空分布不均性,研究了如何联合设计用户关联、带宽分配和功率控制策略,在满足URLLC低时延和高可靠要求前提下实现系统平均能效最大化。本文的主要贡献和创新点归纳如下:1.引入有限码长编码机制,精确建模给定解码错误概率下URLLC用户的可达速率。在此基础上,针对在车联网中难以获得完美瞬时CSI问题,提出了一种基于深度强化学习的功率分配算法。该算法可在缺乏部分瞬时CSI条件下,满足URLLC用户服务质量（QoS）要求,并能同时实现系统长期平均容量最大化。为了充分模拟车辆高移动性和信道条件高动态性的影响,使用SUMO软件根据实际地图产生交通数据集。基于该数据集的仿真结果表明,所提算法在保证0.01的中断概率和0.007的时延违反概率条件下,可最大实现12.4%的系统容量增益。2.基于创新性工作1,进一步研究了用户关联策略对系统能效的影响,并通过用户关联策略、带宽分配策略和功率控制策略联合设计,实现了系统长期平均能效最大化。基于URLLC对算法低计算复杂度的要求,本文提出了一种基于多智能体深度强化学习的用户关联与资源分配算法,通过集中训练分散执行的方式降低算法的计算复杂度,减小计算时延。为严格保证URLLC的QoS要求,本文设计了一种非完全合作式奖励函数,优先满足低时延和高可靠要求。仿真结果表明,所提算法可在提供0.001的时延违反概率和中断概率的同时带来最大的系统长期平均能效增益。