基于车联网行业以及通信技术的发展,目前涌现了大批人工智能相关的智能应用,如自动驾驶、语音交互、路况预测等,大大提高了人们的驾驶体验,优化了道路的驾驶环境,但这类应用的特点是对计算资源和存储资源要求很高。传统的云计算（Cloud Computing）范式能够通过网络为移动设备提供算力的扩展,但由于车辆与云计算中心通常距离较远,通信延迟较高,计算任务的延迟要求往往无法得到满足。因此出现了车辆边缘计算（Vehicular Edge Computing,VEC）系统,车辆可将计算任务卸载到附近的路侧单元上执行,也可以卸载到云中心上执行。一方面路侧单元和云中心丰富的计算资源能有效减少计算延迟,另一方面车辆与路侧单元的近距离又能减少通信延迟,因此VEC系统能够弥补云计算的缺点,有效提高执行计算任务的整体性能。在VEC系统中,车辆需要经由通信链路将计算任务卸载到执行单元上执行,然后由执行单元返回计算结果给车辆,所以卸载策略就是选择合适的执行单元和通信方式,其中车辆特性、通信网络、计算任务特点都会影响卸载策略,因此本文提出了一种适用于VEC系统的基于机器学习的两阶段计算任务协同卸载策略,将执行单元和通信方式的选择决策问题总结归纳为三种卸载方式,并分别为三种卸载方式各训练分类模型和回归模型,通过综合两阶段的分类和回归预测结果得到最终卸载方式。该策略考虑了网络情况、任务情况、车辆移动性、系统负载等多种因素,能够快速有效地得到最优卸载方式。本文使用Edge Cloud Sim对VEC系统和现实道路环境进行仿真,在此基础上模拟任务卸载过程,对所提出的基于机器学习的两阶段计算任务协同卸载策略进行测试和评估,本研究提出的卸载策略与其他四种已有的卸载策略相比,能够有效降低整体计算任务失败率,计算任务的体验质量得到提升。