移动通信、无线传感器以及车载设备制造等技术的进步使得车联网成为智能交通系统的重要组成部分。车联网具有高速移动、网络拓扑变化快、无线信道时变等特点。随着大量计算密集型的新业务不断出现,车联网对节点的存储计算能力、通信可靠性以及计算卸载时延的要求也越来越高。为了应对车辆计算能力不足的问题,研究者们提出将移动边缘计算（Mobile Edge Computing,MEC）和车联网相结合,并对其中的计算卸载等关键技术展开深入研究。车辆成组是车辆协作的一种典型应用场景,在车组内车辆可以共享信息并帮助组内计算资源不足的车辆进行计算卸载。然而,车辆可能在帮助其他车辆完成计算任务的过程中离开车组,导致计算结果无法按时返回。另一方面,当车组内计算负载较重时,如何选择其他车组进行计算卸载以满足计算任务的时延要求也是值得深入探讨的问题。针对以上两个问题,本文对车联网场景中车组内与车组间的计算卸载展开了深入研究。本文的主要工作如下:针对车联网中车组内如何保持稳定卸载的问题,提出了一种联合考虑车组成员能保持稳定连接的时间和车辆突发离组情况的计算卸载算法。若干行驶方向相同的车辆组成车组可以共享路线信息,组内协助完成计算任务。然而,针对车辆在计算过程中可能离开车组的情况,需要考虑计算结果如何返回的问题,具体分析了车辆因故障离组和中途主动离组的两种情形。将不同类型的计算任务划分为无依赖关系的子任务,设计了一个组内协同计算任务分配算法,其中计算任务卸载总时延包括任务上传时延、任务计算时延和结果返回时延。所提算法通过迭代调整子任务的分配方式,实现车组总任务时延最小的目标。仿真结果表明,该算法能够降低整体计算时延并提高车辆计算资源的利用率。针对车联网多车组场景中部分车组计算负载较重的问题,提出车联网中基于车组间合作的协同计算卸载策略。由于不同的车组行驶轨迹和速度不同,车组之间很难保持稳定的卸载。在问题建模时考虑了不同车组的行驶情况,针对不同车组的移动模型,预测了每一个车组与其他车组能够保持稳定连接的时间段。每个车组维持该连接表并不断更新。将任务卸载问题描述为一个混合整数规划问题,以最小化所有车组的平均完成时延为优化目标。考虑到该问题是NP-Hard问题,在多项式时间内很难取得最优解,使用遗传算法迭代获取次优解。仿真结果表明,所提算法能有效提高参与卸载的车辆比例,降低所有车组的平均任务时延。