车联网(Vehicle to Everything,V2X)的发展极大地提升了用户体验并改善了交通效率。通过将多接入边缘计算(Multi-access Edge Computing,MEC)与车联网相结合,车辆可将部分应用迁移至MEC端,能较好地弥补车辆端计算资源的不足。但MEC由于计算资源比较有限,所以无法满足车辆密度较高的场景下的计算迁移需求;同时目前针对车联网中的计算迁移问题的相关研究主要集中在系统时延和能耗的最小化方面,而没有根据不同应用对行车安全和乘客体验的影响的不同对其加以区分。针对上述车联网计算迁移存在的不足之处,本文分别研究了在准静态场景和移动场景下的协同MEC和云计算(Cloud Computing,CC)的计算迁移问题,具体工作内容有以下两方面:(1)提出了一种准静态场景下基于迁移优先级的MEC-CC协同迁移策略。考虑在城市中车速较低的准静态场景中,每个车联网应用拥有一个优先系数表征其迁移优先级,对应地体现该应用对行车安全和用户体验影响的重要程度,协同MEC和CC进行计算迁移。采用改进的离散型人工蜂群算法,对优化问题进行求解,最终仿真结果证明所提出的迁移策略能够较好地实现迁移优先级较高应用实现优先迁移的目标。(2)提出了一种移动场景下实现移动管理且应用可分割的协同迁移策略。针对车速较高的城市道路环境中协同MEC和CC的计算迁移,为了侧重提升系统内的行车安全,给每个应用赋予一个优先系数,将应用分为安全性应和非安全型应用;为了更好地实现对跨基站应用的移动管理,每个基站都为相邻基站预留一定的频谱和计算资源;为实现应用并行执行且更充分利用MEC和CC端计算资源,所有应用可任意分割。采用基于双重贪心规则的改进鲸鱼优化算法对优化问题进行求解,最终的仿真结果说明提出的移动环境下的协同迁移策略具有良好的迁移效果,能增加跨基站应用成功执行的概率,提升行车安全,并且能极大地增加成功执行的应用个数。