在未来蜂窝车联网中,由于车辆终端有限的计算资源,无法单独依靠车辆自身去完成一些任务,比如计算密集型任务。只在车辆终端上执行任务不仅会产生过高的计算负载,而且还会消耗车辆自身大量的能量,从而增加用户的计算成本,减少车辆的电池寿命。而移动边缘计算(Mobile Edge Computing,MEC)是提升车辆计算能力的关键技术之一,其拥有大量的计算资源,且用户可以通过将任务卸载至MEC减少执行成本与能耗,从而引起了研究者普遍的关注。蜂窝车联网能够为车辆用户提供更为安全、更具体验性的服务,能够提高车辆在道路上行驶的安全性。然而车辆任务拓扑模型的多样化、任务抵达的随机性以及执行任务对资源的高需求性,使得在蜂窝车联网中实现任务卸载更具挑战性。目前研究基于移动边缘计算辅助网络框架的任务卸载,主要考虑的是任务卸载成本、任务执行时间、延迟等相关方面,并未考虑在车辆编队中实现任务的最优卸载。针对此问题,本论文基于聚合成本的拉格朗日松弛算法,结合任务的线性拓扑模型,以优化任务卸载成本为目标,提出了一种由MEC服务器辅助的车辆编队最小成本协同任务卸载的决策方法。应用任务的各个子任务之间存在依赖关系,且车辆编队的每个成员与MEC服务器都有机会执行任务。所提出的任务协同执行卸载决策调度方法适用于车辆编队场景,并可以与MEC服务器协同处理任务,且保证任务在截至时间内完成的同时,任务的执行成本得以最小化。为了实现多个车辆用户同时发起任务卸载请求,在保障系统稳定性的前提之下,本论文又提出了一种基于李雅普诺夫优化的动态卸载算法。根据车辆用户在每个时刻发起任务的情况,建立了任务计算量队列模型,利用李雅普诺夫优化方法,提出了一种基于任务执行能耗与执行时间均衡的任务卸载策略。根据当前任务的数据参数,动态调整所有任务的卸载决策,判断其是在本地、车辆编队或MEC服务器中执行。该算法可以有效地降低任务执行能耗,维持计算量队列稳定,并可以确保任务在其截止时间内完成,是实现任务动态卸载的有效及可行途径之一。