目前,随着车联网(Internet of Vehicles,Io V)技术的日益发展,车联网中网络的异构程度也与日俱增,如何在异构车联网中进行有效的网络选择与切换逐渐成为车联网研究中的关键问题。为保证汽车用户在驾驶过程中可以更加顺畅地使用无线网络,享受车联网发展所带来的安全保障以及车载服务,本文就车联网环境中异构网络的选择与切换技术与应用进行了研究分析。网络选择期间,传统层次分析法(Analytic Hierarchy Process,AHP)是决策过程中大多按照专家经验与用户偏好来进行的算法,该算法对于当前环境内网络属性之间的关联与优劣程度判断较为主观,可靠性与精确性不足。针对此类问题,本文提出一种结合马尔科夫链改进AHP的网络选择(Vehicle trajectory prediction of Markov chain and Analytic hierarchy Process,VMAP)算法,该算法在进行网络选择前先通过马尔科夫链(Markov Chain)预测模型对车辆轨迹进行预测,通过预测不仅可以降低“乒乓效应”的产生,同时也减少了网络选择的时间。在层次分析法中通过在计算权值中引入环境内候选网络的属性参数,使决策结果在满足主观选择的同时更加客观。仿真结果表明,在车联网环境中,VMAP算法相比于其他网络选择算法在网络吞吐量、端到端时延以及切换频率上的具有较为明显的优势。由于车辆终端在车联网中接收到信号的不确定性与不稳定性,在接入网络后依旧面临着网络切换的情况。异构车联网环境中的网络切换方式为垂直切换,而在多种垂直切换算法中多属性决策算法(Multiple Attributive Decision Making,MADM)运用较为广泛。但是由于传统的MADM算法在参数的选择上对网络变化与波动情况考虑不足,即随着参数值的快速变化会导致网络频繁切换引起“乒乓效应”。针对传统MADM算法的上述弊端,本文提出一种结合模糊理论改进的MADM算法(Fuzzy Multiple attribute Decision Making,FMDM)通过在选取网络参数时引用模糊理论,利用模糊理论增加算法的容错能力,在保持传统算法高效切换的同时提高了该算法在垂直切换中的鲁棒性与健壮性。经仿真实验验证,FMDM算法较传统MADM算法在网络切换中可以做出较优的决策,并具有较低的端到端时延与丢包率。最后本文提出一种5G车联网中网络选择与智能切换解决方案。当车辆处于5G车联网环境中,车与车,车与基站可通过D2D技术进行信息通信并利用5G基站进行精准定位,为提高车内用户的网络体验,车载多模终端联合5G基站使用本文所提出的网络选择与网络切换算法,并在决策层设备中进行网络选择与切换方案,以此来提高网络连接的质量与稳定性。