随着通信网络的高速发展,未来的网络将会成为一个自治系统,海量数据与智能算法一定会成为无线网络进一步发展的重要基础。在智能交通方面,随着人们对车辆智能化需求的不断增加,车辆网络亟待研究与发展。在车辆网络中,各类车辆服务对缓解交通压力和减少交通事故有着重要意义。然而,车辆网络资源有限,随着车辆服务需求的增加,合理分配车辆网络中的资源,对保障车辆服务的高可靠低时延需求具有重要意义。首先,介绍了车辆网络的研究现状,并介绍了机器学习在车辆网络中的研究现状,对车辆网络中的资源分配策略进行了重点描述,发现了机器学习方法的可适用性,认为使用机器学习方法来进行车辆网络的资源分配是一项有意义的研究。然后,提出一个三层车辆网络架构,包括本地计算层、移动边缘计算层和云计算层。在此架构的基础上,考虑到车辆网络的低时延要求,将完成任务的时延作为系统成本提出了目标函数;针对这个目标函数,为系统制定了相关状态、动作及奖励,提出基于强化学习的资源分配算法,实现了层与层之间高效的动态计算资源分配。仿真结果表明,所提策略可以使系统总成本最小化,使得服务任务满足其低时延需求。进一步,在上述工作的基础上,提出以机器学习算法为基础的多平台多MEC的联合通信与计算资源的智能分配策略。考虑到车辆网络的低时延与高可靠要求,分别计算出各层间的时延及速率,并将其作为系统总成本用以构建目标函数;接着针对这个目标函数,提出一个联合层间和层内的资源分配总算法。针对本地计算层,提出车辆间的协作子算法。针对移动边缘计算层,为系统制定相关的状态、动作及奖励,提出基于多目标强化学习的资源分配子算法。仿真结果表明,所提策略实现了层间与层内的通信与计算资源分配,使得整个车辆网络中的服务任务满足其低时延和高可靠需求,使得系统总成本最小化。最后,对本文的主要工作与创新点进行了归纳与总结,并对后续的研究工作进行了展望。