车联网中的应用服务（如信息娱乐服务和实时高精地图）往往需要满足低时延、高可靠性或高吞吐量的要求。为了满足这些应用服务的要求,车联网中涌现了许多技术。其中,网络缓存将流行的内容缓存到通信小区,从而减少重复内容的传输;移动边缘计算在接近用户侧进行任务卸载,从而节省了数据在核心网的传输时延;软件定义网络和网络功能虚拟化的结合可以实现网络级的资源分配和灵活的任务发放。为了进一步提高车联网的服务质量,对上述技术的联合研究具有重要的意义。本文结合软件定义网络和网络功能虚拟化技术,对车联网通信、缓存和计算联合资源管理算法进行了研究。主要工作如下:（1）研究了车联网通信、缓存和计算联合资源分配算法。针对车辆请求视频任务场景,本文建立了通信模型、计算模型和缓存模型,考虑了基础设施资源的有限性和车辆的移动性,并构建了最大化车辆请求视频任务吞吐量的最优化问题。根据最优化问题,提出了深度Q网络（Deep Q Network,DQN）算法:首先以模型中定义的物理量作为输入状态,并以车辆与基础设施的连接作为输出动作,然后奖励函数考虑贪婪策略和过载惩罚,最后设计神经网络结构并用于DQN算法训练。仿真分析了车辆数、平均内容请求大小对系统吞吐量的影响。在吞吐量达到饱和状态下,所提算法比贪婪算法的吞吐量高约15%,表明所提算法具有更优的系统吞吐量。（2）研究了车联网通信和计算联合资源分配算法。针对车辆请求实时高精地图任务场景,本文建立了通信模型和计算模型。结合负载均衡评价指标,在考虑通信和计算资源限制以及车辆移动性约束条件下,构建了车辆通信和计算卸载的负载均衡最优化问题。根据最优化问题,分别设计了DQN算法的输入状态、输出动作、奖励函数和神经网络结构。仿真对比了不同优化方案在车联网系统负载均衡方面的性能。在下行链路速率和计算速率方差方面,贪婪算法的方差是所提算法的4倍左右,表明所提算法具有更好的系统公平性。