智能运输系统(Intelligent Transportation System,ITS)将各种传感器、通信、图像识别等技术综合应用于道路交通管理中,从而实现便捷安全的智能化交通服务。而智能互联车辆(Intelligent Connected Vehicles,ICV)也使得车辆用户可以进行高速可靠的数据连接,促进车辆与道路交通基础设施及其他设备之间的通信。这使得自动驾驶、智能导航、路线规划和车载娱乐服务等智能型应用成为可能。然而,现有的资源受限的车辆无法充分满足这些应用对低/超低延迟的要求。通过将车辆的部分计算密集型任务卸载到附近的边缘服务器,车载边缘计算网络(Vehicular Edge Computing Networks,VECN)被视为一种有前途的技术范例。本文详细研究了移动边缘计算在辅助车辆进行密集型计算任务方面的应用与挑战,并提出了有效的解决方案。首先,通过利用光纤网络的高容量、低延迟和高可靠性等特性,为车辆用户提供无处不在的连接性以及在无线接入网络中支持多种无线接入技术,本文提出一种基于软件定义网络(Software Defined Networking,SDN)的光纤无线(Fiber-Wireless,FiWi)增强型VECN。之后,为了更好地对现实世界的道路交通环境进行模拟,本文考虑了车辆的同步随机游走移动性模型(Synchronized Random Walk Models,SRWM),该模型可以对高速公路场景进行准确的建模。在上述场景模型中,本文研究了如何通过任务卸载降低车辆计算任务的处理延迟,并将其形式化为处理延迟最小化问题。基于枚举的最优任务卸载算法EOTOA可以获得此问题的最优解,却具有极高的计算复杂度。为了解决这一问题,基于博弈论的就近任务卸载算法GTNOA、基于博弈论的预测性任务卸载算法PGTOA和考虑负载均衡的近似算法ALBOA相继被提出。实验结果表明,GTNOA和PGTOA都可以取得问题的近似最优解,但是无法保证边缘服务器之间计算资源的负载均衡,而ALBOA可以在保证负载均衡的同时取得问题的近似最优解。为了应对VECN中高度动态的网络通信和计算资源环境,并且为车辆用户提供灵活的任务卸载方案,本文进一步研究了强化学习在车载边缘计算卸载中的应用,并提出了基于Q学习的任务卸载算法QLOA和基于深度Q学习的任务卸载算法DQLOA。QLOA和DQLOA都可以取得问题的近似最优解,且较ALBOA具有更好的灵活性。此外,DQLOA比QLOA具有更高的执行效率。最后,为了进一步降低车辆的任务处理延迟,本文研究了车辆计算任务的部分卸载。首先使用不可卸载子任务合并算法USMA合并无法卸载到边缘服务器的子任务,以简化部分卸载问题的复杂度。之后,提出了基于枚举的任务部分卸载算法EPOA和基于深度Q学习的任务部分卸载算法DQLPOA获取优化的任务分区配置,以使得任务处理延迟最小化。最后的实验结果证明了DQLPOA的良好性能以及部分卸载对于任务处理延迟减小的重要性。