随着科学技术的发展,各类新型汽车应用层出不穷,如增强现实（AR,Augmented Reality）导航、人机动态交互等,这些应用对数据转发的时延及可靠性都具有很高的要求,并且传统云计算无法满足所有新型应用的时延要求,因此车载通信中低时延高可靠的数据转发面临着巨大的挑战。随着移动边缘计算技术的提出,边缘缓存为车联网中低时延高可靠的数据转发提供了一种可行的解决方案。然而在实际场景中,不仅边缘服务器的部署数量与存储容量有限,而且单个车辆的通信范围也有限,同时部分车辆内的缓存内容并没有得到充分使用。在这种情况下,如何设计出一种在车联网中能够扩大车辆数据转发范围的方法,以及能够降低数据获取延迟的边缘缓存方案,来解决单个车辆通信范围有限问题,同时满足新型应用对数据传输性能的较高要求成为了亟待解决的问题。本文围绕车联边缘网络环境,重点研究车联网中基于车辆聚类的边缘缓存,本文的主要研究工作如下:（1）研究了车联网中基于密度的车辆快速聚类算法。该算法首先随着边缘服务器接收到车辆的相关信息,通过车辆与车辆间的相似性来创建初始簇。随后对初始的粗糙簇进行整理,将初始簇中的所有节点看成一个个的微簇,进行簇合并操作。合并操作完毕后,创建排序蚂蚁,利用蚂蚁堆积尸体的的原理,根据簇间相似性,对微簇进行搬运。当簇整理完毕后,设定簇头,并在后续的运动过程中执行簇维护操作。仿真结果表明,该方案相对于基于蚁群优化的车载自组织网络聚类算法（CACONET）及DBSCAN聚类算法在簇数量上降低约30%,平均簇头持续时间上提升约28%,平均簇成员持续时间上提升约10%。（2）研究了基于车辆聚类的边缘缓存方案。该方案以最小化边缘服务器通信范围内请求车辆的内容获取延迟为目标,研究了车联网中边缘缓存决策优化算法,该算法包括了车辆关联变量优化及缓存决策变量优化。在车辆关联变量优化问题上,首先将边缘服务器通信范围内的车辆分为请求车辆与缓存车辆两类,其次请求车辆在车—车（V2V,Vehicle-to-Vehicle）链路中根据缓存车辆的通信范围来决定是否经过簇头转发内容,在车—基础设施（V2I,Vehicle-to-Infrastructure）链路中根据簇头的通信时间与内容获取时延来决定是否经过簇头转发内容。最后请求车辆根据V2V链路与V2I链路的内容获取延迟来选择链路进行传输。在缓存决策变量优化问题上,根据车辆关联变量优化问题结果,将最小化内容获取时延转化为背包问题,并利用动态规划算法进行求解,最终得出缓存决策结果。仿真结果表明,该方案相对于随机缓存方案在任务获取时延上减少至少约100秒,缓存命中率上提高约50%。