随着网络技术的发展、计算机处理能力的提升,自动驾驶汽车的研究得到众多学者的青睐。自动驾驶是依赖于计算机处理系统,通过道路环境感知、位置计算、自主决策等协同操纵汽车的技术。然而,自动驾驶车辆终端的存储空间、计算能力以及所载的电池容量难以满足密集计算和时延敏感型任务的资源需求。边缘计算（Edge Computing,EC）作为一种新型的计算架构,将计算资源下沉至网络边缘,形成分布式计算核心。EC网络具有传输延迟低、计算能力强的优势,满足自动驾驶技术对计算能力和时延的要求。然而,自动驾驶汽车网络中会有海量的计算任务需要处理,优化调度资源对整个网络非常关键。软件定义网络（Software Defined Network,SDN）作为一种新型的网络技术,它将网络设备的控制平面与数据平面进行分离。通过软件来定义逻辑上的网络拓扑,集中管理网络资源,缓解网络拥塞和负载压力。为了解决自动驾驶车辆现存问题及挑战,本文研究了软件定义边缘计算（Software Defined Edge Computing,SD-EC）网络环境中自动驾驶车辆的计算任务调度问题,重点分析网络计算资源与网络传输资源两个关键因素,以达到满足车辆终端对网络资源的实时需求,提高用户的服务质量。本文研究的主要内容如下:（1）提出了SD-EC中自动驾驶车辆计算任务调度的情绪度模型。本文将SDN网络管理的优势与EC架构的计算优势进行结合形成SD-EC网络,通过分析自动驾驶车辆计算任务的不同类别,建立了与任务紧急度相关联且随执行时间变化的情绪度模型,作为约束任务调度的重要因素。（2）提出了SD-EC中车辆位置预测与任务结果回传策略（Vehicle location prediction and task result return strategy,VLPRR）。VLPRR策略根据车辆与基站之间欧氏距离梯度变化的情况,预测车辆下一位置将进入哪个基站的服务范围。同时,SDN控制器更新终端车辆与基站接入的最新状态,做出任务返回的路由决策,将处理完成的任务结果回传给终端车辆。（3）提出了SD-EC中最佳基站任务调度算法（Optimal base station task scheduling algorithm,OBSTS）。OBSTS算法由SDN控制器为其预调度分配最优的边缘服务器资源,通过计算任务M/M/s排队模型中的排队等待时间产生的任务情绪度与任务自身情绪度比较,确定满足新任务调度的最佳基站。再根据VLPRR策略,完成自动驾驶车辆计算任务的整个调度过程。实验表明,OBSTS算法可以实现系统总时延与总能耗的最小值。