车联网是智能交通系统（ITS）重要的使能技术之一。随着车联网技术的快速发展,大量计算密集和时延敏感的车载应用不断涌现,车辆对于计算和通信资源的需求急剧提升。一方面,计算资源受限的车辆终端难以满足车辆任务的低时延要求;另一方面,车辆的高移动性导致网络拓扑结构快速变化,频谱资源管理困难。针对上述问题,本文首先研究了车联网中车辆任务的卸载策略,引入移动边缘计算（MEC）技术为车辆提供卸载服务,有效减少了车辆任务的处理时延。针对卸载过程中频谱资源占用过多的问题,本文进一步研究了车联网中的资源共享策略,以车辆到车辆（V2V）通信链路共享车辆到基础设施（V2I）通信链路所在频谱,提高了频谱利用率。本文的主要贡献和创新点总结如下:1)提出了车联网中集中式管理下的低时延任务卸载策略,可大幅降低车辆任务的处理时延。在车辆任务的最大处理时延约束下,通过合理的任务分配来降低车辆任务的处理时延。在车辆网络的路边单元（RSU）中集成了边缘服务器为车辆提供卸载服务,并以V2V链路作为中继链路辅助V2I链路进行车辆任务的上传,将车辆任务卸载问题建模为具有时间序列的优化问题。提出了一种最优路径规划算法（OPFA）,该算法能够在较低时间复杂度下快速完成卸载传输路径规划。在此基础上,提出了一种基于深度强化学习的自适应策略选择算法（ASSA）,它可根据当前各服务器负载状态和车辆环境中的任务密度自适应选择卸载策略。仿真结果表明,所提算法能够显著降低车辆任务的平均处理时延。2)提出了车联网中分布式管理下的资源共享策略。V2V链路共享V2I链路的频谱资源,通过频带选择和功率控制来保证V2V链路的高可靠性和V2I链路的高带宽,提高频谱利用率。V2V链路周期性地完成安全信息共享,V2I链路传输高数据量的娱乐应用数据。在此基础上,采用分布式管理模式,将系统建模为多智能体系统。各V2V链路的发送端设备作为智能体根据自身的局部状态观测空间进行频带选择和功率控制,智能体间共享全局奖励值来保证系统整体收益。为适应动作空间中离散的频带选择和连续的功率控制,基于近端策略优化（PPO）算法提出了 一种多智能体强化学习算法（MAPPO）。仿真结果表明,所提算法能够保证V2V链路传输内容的可靠交付的同时保持V2I链路较高的传输速率。