随着5G（5-th Generation）技术的逐渐成熟,车联网中应用场景也更加丰富,车辆需要接收和处理消息的任务量和请求任务密度也在不断增长。然而车辆本身的有限计算资源很难满足请求任务的性能需求。为了提高任务的处理速度,将车辆请求的任务卸载至计算能力更强的路边基础设施进行处理成为当前的研究热点。本文研究了基于V2I（Vehicle to Infrastructure）通信模式下的任务卸载过程,根据实际业务场景对车辆任务进行分类,充分考虑车辆在任务卸载过程中位置状态的变化,并引入AoI（Age of Information）作为任务卸载过程状态连续变化的评价指标,从整体车辆网络的角度对比分析了不同卸载策略算法的性能表现。此外,本文分析了任务卸载过程中的一些主要因素,包括卸载任务到达基站的时间、卸载任务的任务类型和任务车辆的位置状态对AoI的影响,并在此基础上提出了综合优先级任务响应策略来优化整体车辆网络在任务卸载过程中的AoI;仿真结果表明本文提出的任务卸载策略在平均AoI指标上较FIFO（First In First Out）策略下降了多达15.44%;此外相较于FIFO策略,综合优先级策略下峰值AoI和任务损失价值的最大降幅分别约为29.17%和69.91%。最后,本文考虑了在任务卸载过程中可能出现的并发任务问题。对于并发任务问题的复杂性,本文从包括车辆执行指令的初始AoI等方面进行了理论分析和论证,在此基础上对现有的遗传算法进行改进,使其能根据不同特点的并发任务场景动态调整以适应复杂多变的并发任务卸载过程,达到优化并发任务过程AoI的目的;仿真结果显示,本文提出的基于改进遗传算法的任务卸载算法能有效地降低车辆网络整体的AoI,降幅约为38.63%;同时也显示了该算法对复杂多变的并发任务卸载过程良好的适应性。