随着5G技术的飞速发展,自动驾驶、视频流和车辆在线游戏等移动应用不断涌现,便携式终端设备的数据交换和服务要求也在不断增长。数据的迅速增长给网络和路侧单元（RSU）带来了沉重负担,导致现有蜂窝网络无法保证用户的服务质量。同时,维护网络运行以及架设各种设备的成本也大大增加,给管理者们带来很大困难。针对上述问题,本文分别提出了基于kurh–munkras（KM）算法的匹配算法以及动态的基于贪心的任务卸载算法,致力于降低用户任务的响应时间以提升车载环境用户的服务体验。本文主要研究内容如下:首先,针对现实生活中复杂的车辆动态环境,在雾架构环境下建立了一种车辆移动模型（VMM）。接着对不同任务和车辆的各种参数进行定义及处理,本文将任务卸载问题转化为一对一匹配问题。并且针对此问题提出了一种基于KM算法的匹配算法（KMM）。假设已知任务信息的情况下,首先根据车辆间的相对距离及通信约束筛选出可行的卸载服务器,接着对比任务卸载到可行车辆上的计算时延以及两者间的传输时延来进行二次筛选,得到合适的卸载服务器,最后使用KM算法来进行最终决策并以此为每辆车分配对应的卸载服务器。通过一对一匹配卸载,缩短了完成任务的响应时间,提高用户满意度。其次,考虑到车载环境的不确定性（任务的全部信息不能随时知晓）,本文进一步提出了一种基于贪心的动态任务卸载算法（GMDC）。在极短的时间段内,基于随机到达的任务请求,依然通过二次筛选为该任务找到可行的卸载服务器,最后依据任务响应时间最少原则使用贪心算法确定最适合的卸载服务器,以此得到最终卸载策略和最小响应时间。最后,通过仿真实验对KMM和GMDC算法的各项性能进行了评估,实验结果表明:相较于现有的部分算法,KMM具有更高的任务卸载率以及更低的任务响应时间,有效的提高了用户的服务质量,GMDC算法主要把任务卸载到车辆,以很小的时延为代价减轻了RSU以及蜂窝网络的负担,节省了运营商的成本。