车云网(Vehicular Cloud Networks,VCN)是近几年随着车联网和云计算发展而发展起来的新兴技术。在车云网中,车辆及其基础设施的存储、计算等资源将被整合到虚拟资源池中,云系统根据资源池中可用的云计算资源为用户的服务请求分配存储与计算资源,并根据服务请求的变化,动态调整资源分配以最大化资源利用率,提高任务的处理速度。由于车辆的移动性,使得车云网中各种池化资源总量出现复杂的高动态性变化,这是以前云系统架构中未出现的新问题,给现有云计算的资源分配带来严重的挑战。在车云网双层云(本地云和中心云)架构下,不同层次的云具有一定的差异性。由车辆和本地路边基础设施组成的本地云,计算资源相对有限,其资源总量会随着资源车辆数量的变化而改变,但对车辆用户具有较低的传输时延;中心云由远端服务器等基础设施组成,具有丰富的计算资源,但端到端时延较大。本文首先研究了车云网的跨层资源优化管理问题。然后,在车云网双层云架构下,利用半马氏决策过程对云计算资源进行优化管理,提出了 CL-SMDP(Cross Layer-Semi-Markov Decision Process)资源管理方案,以实现云计算服务的资源投入回报,即长期收益最大化。仿真表明,与传统车云网中基于贪婪算法(Greedy Algorithm,GA)的资源管理相比,本文提出的资源管理方案不仅能够显著提高系统的长期收益,同时还能有效地降低服务请求的拒绝率。此外,本文还对车云网的跨区资源优化管理进行了研究。针对车辆移动性引起的不同区域本地云的负载和资源严重不均衡的现象,提出了车云网跨区资源管理方案 CA-SMDP(Cross Area-Semi-Markov Decision Process)。该方案利用服务迁移机制,使本地云的资源分配需兼顾本地用户的服务请求以及邻域云的迁移请求,同时考虑不同类型的服务请求对系统收益的影响也不尽相同,通过半马尔可夫决策过程使本地云合理分配有限的计算资源,实现系统长期收益的最大化。仿真实验表明,CA-SMDP资源管理方案比GA资源管理方案、CL-SMDP资源管理方案在服务请求拒绝率、迁移率和系统长期收益等方面都有显著地改善。