随着5G通信技术的不断发展,各商用进程的加快,车联网（Vehicle Ad-hoc Network,VANET）作为5G通信的重要应用场景,其相关研究得到学术界和产业界的广泛关注。借助于5G通信的低时延和高可靠信息传输,车联网可以使交通出行更加安全智能。作为一种特殊的无线移动自组织网络,车联网中连接频繁切换、车辆高速移动和网络拓扑实时变化等复杂特性,给车辆之间以及车辆与路侧单元之间的可靠通信带来了巨大挑战。同时,由于建设初期道路设施不完善,路侧单元部署数量有限,即受限于有限的资源部署,可能难以满足复杂道路情况下车辆节点信息量接收/发送需求。针对以上理论与实际难题,本文创新提出了一种基于无人机移动基站的高效车联网组网方案;针对城区复杂道路网络环境,首先对道路交通网络以及交通状态变化规律进行动态建模,并基于此提出路侧单元和无人机协同作为车联网网络中继的高效部署策略。其次,根据对道路中不同时段交通状态的转移进行短时交通预测,建立了基于道路交通状态的无人机部署和调度策略,从而可以使无人机根据道路交通状态的变化,而实时优化调整其位置和数量,减少了路侧单元和无人机部署数量,并根据覆盖需求实时动态地满足车辆节点的输入需求,有效节约车联网建设成本。针对无人机和路侧单元联合覆盖场景下,密集车辆节点导致系统吞吐量下降的难题,分别对车辆-路侧单元和车辆-无人机在不同无线环境下信道干扰特性进行理论建模。依照不同的信道质量要求,在无人机/路侧单元可服务车辆数量和发射功率受限的条件下,提出一种基于Q-learning的快速学习收敛的算法,实现了对于车辆与中继节点之间接入通信方式以及传输功率的联合优化分配,从而有效提高了系统的资源效率,并显著提升了密集车辆节点情况下的系统吞吐量。通过仿真结果表明,相对于单一部署路侧单元的方案,本文所提出的基于无人机增强的车联网网络覆盖机制,更加契合车联网中网络拓扑动态实时演化特性,在确保车辆节点可靠信息传输的情况下,能有效降低部署成本。另外,通过对不同环境下车辆与路侧单元/无人机通信链路进行动态建模,利用快速收敛的机器学习方法,解决了车辆与中继节点之间接入通信方式以及传输功率的联合优化分配,从而有效提升了系统网络吞吐量。