车辆和路侧设备的智能网联化升级协同推动了车联网应用的蓬勃发展,为助力构建安全、高效和环保的交通环境起到关键性作用。尽管车辆本地的计算和存储能力有显著提升,但车辆仍难以在规定时延内对密集的车联网任务完成处理。因此,一些高计算复杂度和高能耗的车联网任务会上传至云计算平台处理后返回车辆。云计算虽有效缓解了车辆本地的压力,但由于远距离传输和采用集中式处理的方式,也极大地增加了时延开销、网络负荷,以及隐私泄露的风险。为弥补云计算中的这些不足,一种更靠近车辆终端的边缘计算方式体现出了相应的优势。边缘计算为车辆提供了弹性的计算、存储和通信资源,与云计算相比,也有效减少了时延,缓解了网络中数据拥塞的情况,并在一定程度上保护了车辆隐私。随着对边缘计算与车联网融合应用的探索,边缘计算作为新的计算范式应用于车联网中也逐渐呈现出一些有待解决的新问题。例如:边缘计算与车联网融合系统架构的设计问题、车联网任务卸载与算力分配的优化问题、卸载过程中车辆隐私的保护问题,以及系统整体性能测试评价问题。论文围绕上述四方面具有挑战性的问题开展了研究工作,主要的研究内容及创新如下:（1）边缘计算与车联网融合系统架构的设计研究。针对边缘计算通用参考架构无法满足车联网应用端到端连通需求的不足,且边缘计算与车联网融合的标准化系统架构尚未形成,提出了一种面向车联网应用的多接入边缘计算系统架构。架构中包含了车联网应用中涉及的四层级主要参与要素,以及四类参与要素之间访问和交互所需的开放接口。根据要素间的交互关系结合定义的开放接口,进一步梳理了通用的边缘计算与车联网融合应用端到端连通流程,并归纳了多类型典型应用场景对系统架构的适用情况。最后,分析了所提出系统架构在功能和性能上的多方面优势。（2）车联网边缘计算系统中的任务卸载与算力分配联合优化问题研究。针对多车辆竞争环境下不合理的任务卸载决策导致系统时延和算力成本过高的问题,提出了一种在算力资源有限的情况下对多个车联网任务进行合理卸载和算力资源分配的方案,以有效优化系统内的端到端时延和算力开销。为了满足车联网应用的低时延需求,在系统模型中部署了一个可以有效提升车辆计算处理能力的边缘计算服务器,允许车辆在边缘计算服务器负载均衡的条件下进行二元卸载。考虑到构建的车联网边缘计算模型中车辆的高速移动性、任务产生的随机性,以及系统内资源高度动态变化的特性,在求解该混合整数非线性联合优化问题时,首先将优化问题建模为马尔可夫决策过程,然后提出了一种基于多智能体参与的深度强化学习算法,得到高维度连续状态空间下的卸载和算力分配优化策略。实验结果表明,所提出的方法不仅可以有效满足车联网任务的计算需求,还能够显著改善系统在时延和算力开销方面的综合性能。（3）考虑车辆隐私保护的计算卸载和算力分配协同优化问题研究。为降低车联网任务卸载过程中因数据共享带来的车辆隐私泄露风险,提出了一种融合了隐私保护机制的车联网任务卸载和算力分配策略,以在最大程度上保护车辆隐私的同时合理利用系统内的算力资源。系统搭建了一个包含安全认证中心的两层异构车联边缘计算网络模型,模型中车辆可以通过假名变换的方式保护身份和位置隐私,并允许车辆向空闲的邻居车辆节点卸载任务以提升系统内计算资源的利用率,此外还加入了部分卸载模式以降低任务的执行时间。鉴于车联网任务具有不同的优先级,优先级越高的任务通常对时延也越敏感。在设计优化问题时,综合考虑了隐私保护时通信静默,任务优先级和车辆运动状态等因素对于优化方案的影响。为避免求解复杂状态空间所引发的维数灾难,提出了一种基于多智能体参与的非集中式深度强化学习安全卸载与算力分配协同优化算法。仿真结果表明,所提出的算法具有良好的收敛性,并且与其他四种方法相比具有更为满意的安全性能、服务质量,以及更高的资源利用率。（4）边缘计算与车联网融合系统的系统级测试研究。为加快实现边缘计算与车联网融合应用的大规模推广,需要尽快开展对现有系统级研究方案的测试验证。针对当前面向设备级的测试指标和实验室内模拟仿真的测试方法,无法满足真实场景下边缘计算与车联网融合系统测试需求的问题,提出了一种面向实际应用场景中级联系统的测试方案。测试方案包括了四大类测试指标体系和各指标对应的测试方法。首先,给出了具体指标的定义和选取依据,其次依托中国信息通信研究院搭建的两套真值测试系统设计了可量化的测试方法,最后对当前多种系统级研究方案开展了外场测试实验。测试结果表明,所提出的测试方案可以有效评估出不同研究方案在各个测试指标下的性能差异,能够满足真实场景下对现有系统级方案的测试评价需求。