车辆边缘计算（VEC）是一种新型的计算模式,在提高智能网联车辆计算能力方面具有巨大潜力,可支持计算密集、能源消耗和延迟敏感型的基于深度神经网络（DNN）的智能车载应用。现有的研究成果表明,通过DNN任务分割的方式联合设备和边缘节点协同执行推理任务是一种降低延迟和能耗的有效方法。然而,由于VEC中边缘节点的计算资源有限并需要同时为多辆车提供计算资源,分配给每个任务的计算资源可能是不同的,这会导致DNN推理任务最佳分割点是不同的。如何设计VEC车载DNN模型协同卸载算法具有重要意义,高效的算法使车辆能够依据边缘节点的计算资源动态自适应地选择DNN任务的最佳分割点进行计算卸载,从而进一步减少车载DNN推理任务的处理延迟。本文针对VEC场景下DNN任务协同卸载中遇到的若干挑战,提出了两种车辆边缘计算环境下的DNN模型协同卸载算法以加速任务的处理速度。具体内容如下:1.DNN模型车-边协同卸载的动态资源分配算法。该算法考虑在RSU的覆盖范围内,MEC服务器动态地向为多个车辆分配计算资源,提出了一种联合车辆-边缘的DNN推理任务协同卸载方案Jo VEO。针对有延迟约束的车载DNN任务,定义了MEC服务器计算资源动态分配和DNN任务最佳分割点选择的NP-hard优化问题,该问题的目标是最小化系统内所有车辆DNN任务的整体延迟。随后设计了一种基于化学反应优化的算法,并对所提方案进行了仿真评估,实验结果表明,Jo VEO方案在整体延迟和失败率方面优于其他三个基准方案,且接近最优方案。2.基于自主学习的DNN模型V2V协同卸载算法。该算法提出了一个在动态变化的车联网环境中DNN任务的V2V协同卸载方案,充分利用资源空闲车辆的计算资源,降低DNN任务的平均处理延迟。针对动态V2V环境中获取全局信息困难的挑战,提出了一种基于在线学习的动态自适应卸载决策算法OLAO,并使用一种改进的UCB算法提升在线学习的效率。大量的仿真实验评估了所提方案及算法,实验结果表明,OLAO在DNN任务在平均处理延迟方面优于其他三个基准方案,同时,基于UCB算法的学习效率远高于基于ε-Greedy算法的方案。