近年来,共享乘车市场迅速发展,其在城市交通资源配置和推动共享、低碳经济发展等方面发挥着不可忽视的重要作用,与之相关的车辆资源调度优化问题和动态定价优化问题引起了工业界和学术界的广泛关注。随着人工智能（Artificial Intelligence,AI）技术发展与应用,一批利用深度强化学习技术解决车辆资源调度问题的方法被提出,这些方法通过优化车辆资源在空间维度的分布以平衡供需关系。然而,从用户需求的角度来看,用户出行需求既在空间维度动态变化,又在时间维度上下起伏。从车辆资源的角度来看,车辆资源总量随时间动态变化,但共享乘车系统仍缺乏高效的管理机制来优化车辆资源在时间维度的分布。因此,本文基于深度强化学习技术,提出了具有自适应奖励机制和多目标优化的巡航车辆调度与车辆资源管理方法。该方法的短期目标是基于车辆资源供需关系和时间、地理位置等上下文信息,预先调度巡航车辆去往重负载的热点区域,以平衡空间维度的供需差异;该方法的长期目标是基于请求成功率和巡航车辆匹配成功率,自适应调控系统中车辆资源总量,以平衡时间维度的供需差异。仿真实验的结果表明,该方法有效改善了运营商收益,均衡了请求成功率和车辆利用率,同时,缩短了共享出租车空跑时长和用户等待时长。共享乘车市场发展至今,渐成多运营商竞争共存之局,但多运营商场景下车辆资源交易和动态定价策略的研究仍在发展初期。因此,为了应对运营商数量增多和用户选择自由度扩大带来的供需关系复杂化和市场竞争加剧等挑战,有必要建立良好的市场机制来解决用户与多运营商之间的供需关系以及各运营商之间的竞争关系,从而推动共享乘车市场持续健康的发展。因此,本文基于区块链技术设计了多运营商场景下的车辆资源交易市场框架。基于非合作博弈理论,本文将多运营商与用户的车辆资源交易建模为两阶段的斯塔克尔伯格博弈,并且,本文基于多智能体强化学习,实现了竞争定价的智能体,智能体基于车辆资源供需关系和市场竞争关系等因素进行动态定价。实验结果表明,本文所提的动态定价方法能够有效改善运营商的收益,进而,激励运营商参与市场框架下的车辆资源交易。此外,竞争定价智能体在提高运营商的收益的同时,一定程度上改善了用户利益,进而,改善了用户体验和运营商的市场吸引力。