5G技术的发展促进了智能交通的快速建设。自动驾驶的出现更是需要庞大且快速的数据交换,这对车联网提出了挑战。同时电动汽车的普及也为车联网提出了新的能源消耗的问题。移动边缘计算技术是车联网面对挑战的关键。本文主要研究了基于边缘计算技术的车联网的网络架构,任务处理时延以及能源消耗的问题,目的旨在于车辆用户获得更好的体验质量,更低的等待时间以及更低的能源消耗。本文构建了城市环境下具有云计算中心的支持边缘计算的车联网框架。该框架具有三层结构,包括底层的车辆用户层,中间的边缘计算层,以及最上层的云计算中心。本文的主要研究内容如下:首先本文基于时延敏感性对边缘计算车联网的任务卸载策略进行了研究。依据娱乐应用程序构建的任务不需要严格的延迟约束,即对时延不敏感;而为自动驾驶构建的任务必须具有严格的延迟约束,即对时延敏感。本文将计算任务分为两类:时延敏感型任务和非时延敏感型任务,并定义了基本的卸载策略。本文基于上述两类计算任务构建传输模型与计算模型,分别得出两类计算任务的传输时延表达式与计算时延表达式。综合考虑任务处理时延与用户体验质量,针对不同的任务类型,整个网络系统可以获得不同的效用值。最终将整个网络的优化问题建模成基于两类任务模型的总任务处理时延的效用函数。针对该问题,本文提出了一种联合优化选择卸载决策和资源分配决策的算法,以使系统效用最大化。本文采用智能算法蚁群算法以及动态规划的方法对问题进行求解,并对求解过程进行了仿真,验证了求解方法的有效性。然后本文基于能耗与时延对边缘计算车联网的缓存策略进行了研究。针对任务卸载策略的研究只研究了计算型任务,而非计算型任务的研究就涉及到了缓存策略。绝大部分的文章研究缓存策略时,只针对非计算型任务考虑内容的传输时延,然而这是不符合实际的。本文将任务分为计算型任务与非计算型任务。对于不同类型的任务,其缓存内容是不同的,同时任务处理的过程也是不同的。在此基础上,本文的缓存策略考虑移动车辆,停放车辆以及RSU协同缓存的方案,同时考虑了车辆用户资源分配策略以及车辆自身的能源消耗情况。最终将问题建模成基于能源消耗以及任务处理时延的最小化问题。本文采用动态规划算法对该问题进行求解并用MATLAB进行了仿真,展示了不同情况以及不同参数对网络性能的影响。本文的结果对于边缘计算车联网架构的建立以及网络传输与缓存策略的选择有着指导和借鉴意义。