随着交通的飞速发展以及人们生活水平的大幅提高,车辆几乎成为了每家每户的必备品。然而,在车辆为我们带来便利的同时,也给交通增添了不可忽视的压力。传统的交通资源十分有限,当面对如此飞速增长的车辆数目时,就不能及时高效工作,甚至造成系统瘫痪,由此车联网应运而生。车联网是一种特殊的无线自组织网络,是实现交通智慧化的基础之一,它主要釆取车辆与车辆间,以及车辆与路边设备间的通信模式,并承载安全控制数据与业务数据的传输,为驾驶者提供实时准确的车况路况信息以及交通安全服务。但车联网的特殊性也决定了它在通信过程中面临的一系列挑战,尤其是在媒体接入控制协议(MAC)中,车辆在抢占信道时采取的退避算法,严重影响着信息传输性能。因此,本文针对车联网中广播模式下,IEEE 802.11p MAC协议的退避算法进行研究,主要工作如下:本文分析了车联网MAC协议的扩展需求,并总结了自组织网络中常用的退避算法及其缺陷,由此提出了基于改进MARKOV模型的竞争窗口调整方法。在传统的MARKOV模型中引入空闲状态,使模型更加适用于车辆复杂的通信环境及场景,并利用车辆密度来衡量交通拥塞程度,结合平稳分布及泰勒公式,推导出车辆所维护的竞争窗口值及其周围车辆密度的关系式。最终,结合IEEE 802.11p MAC协议中传统的固定竞争窗口值,设计出改进的退避算法,实现窗口值的自适应动态调整,优化了 802.11p中固定窗口值的缺陷,使车辆在抢占信道时采取更加智能准确的退避方法。仿真结果表明,本方案有效地减小了广播信息的碰撞率,并维持了较小的时延。基于车辆区别于其他通信节点的独有特性,以及其多样的通信环境,本文针对车联网设计了具备更强自适应性的退避方案:基于分类预测机制的退避方法。该方案首先提出分类策略,以车辆的邻居节点数,速度和停止时间为准则,建立属性集,对车辆状态进行分类,去冗余化。并引入反馈机制,使属性集具备自适应调整性,从而保证不同场景下的分类准确度。然后,利用上述准则,求取属性集所对应的综合竞争窗口值,由此生成窗口参考表。最后,利用车辆的历史行驶状态,建立隐马尔可夫预测机制(HMM),实现对车辆下一时刻竞争窗口的预测,从而确定退避时间。该方案充分考虑了车辆独有的特点及其复杂且受限的通信环境,建立了具备自适应调整及预测机制的退避方法,并通过仿真证明,该方案能使信息实时高效地传输,优化了车联网广播模式下的性能。