随着移动通信技术和车载网络的发展,越来越多的车载服务不断涌现,以提升司机和乘客的舒适性和便利性,然而,由于车辆的计算存储资源和电池容量有限,难以有效的支持用户对这些车载服务的越来越高的要求,因此需要合适的资源优化方案以充分利用车载网络中的通信、计算和缓存资源来提高用户体验。目前,车载网络中的资源优化问题存在着许多的挑战,例如车辆分布不均衡,车辆的高机动性导致信道变化过快,车载业务具有多样性和差异性等。除此之外,传统的资源管理方案往往被描述为优化问题,然而联合通信、计算和缓存资源的优化问题往往比较复杂,通常是NP-hard(Non-deterministic polynomial-hard)问题,并且很难找到全局最优解且算法复杂度较高,而强化学习作为应用于车载网络资源优化的一种新兴技术,具有决策速度快,能够通过学习解决复杂问题等特点,是应对车载网络面临的一系列挑战的有前途的方法。因此本文基于强化学习理论,研究车载网络中的资源优化方案,以提升车载网络的性能和收益。首先,论文针对车载网络资源优化中存在的挑战,讨论了车载网络资源优化中的强化学习技术,分析了目前相关的研究现状,调研并总结了强化学习技术在车载网络不同场景下的应用,以及不同强化学习算法分别适用于解决哪些车载网络中的资源优化问题。其次,论文针对车载网络中车辆分布不均匀导致的资源紧张和资源过剩问题,设计了一种利用车辆间的协助和路边单元(Road-Side Unit,RSU)间的协作来灵活调度车载网络中通信、计算和缓存资源的接入分配方案。在该方案中,基于软件定义网络(Software defined network,SDN)技术,提出了一种车-网协同的深度强化学习框架,以应对车载网络中信道变化过快情况下车辆用户的资源接入分配问题。同时,利用车辆历史反馈信息在不需要即时的车辆接收信噪比信息的条件下做出合适的资源接入决策,以最大程度的利用网络中的可用资源来提高不同车载应用的性能。仿真结果表明,相比于其他方案,所提出的方案能够获得更高的长期累积奖励,且能够根据不同需求做出不同的决策,合理充分地利用网络中的资源。然后,论文针对车载网络中业务多样性和差异性以及网络资源的有限性问题,研究了车载网络中面向业务的联合通信、计算和缓存资源管理问题。考虑到车辆的高移动性、网络资源的动态性以及车辆数目庞大带来的计算复杂度,提出了一个双尺度的深度强化学习框架,从而降低了资源管理的复杂度。进一步的,论文将原问题分解为两个不同尺度的子问题,从而解决业务类型多样和车辆数目繁多导致的动作空间过大的问题,并结合在线学习和离线学习的优势,使得网络运营商可以更灵活地的做出资源分配决策,在尽可能提高用户对不同业务的满意度的同时减小运营成本,提高网络收益。仿真结果表明,相比于其他方案,所提出的方案能够获得更高的运营商收益,且在车辆数目变化时具有较高的稳定性,且能根据不同业务的需求做出动态资源分配决策。最后,论文对全文进行了总结并对未来的工作提出了几点展望。