近年来,来自出行、安全和环境方面的交通问题使得车联网技术成为了国内外研究的重点课题,蜂窝车联网(Cellular Vehicle-to-Everything,C-V2X)作为具有潜力的车载通信技术也因此成为了研究的热点。车辆对车辆(Vehicle-to-Vehicle,V2V)通信作为C-V2X的重要通信类型之一,是提高交通效率和减少交通事故的关键技术。本文对基于设备间通信(Device-to-Device,D2D)技术的V2V通信复用蜂窝用户上行链路时的资源分配问题进行了研究。考虑了车辆的高速移动性导致的信道状态频繁变化,提出了 V2V的动态资源分配算法。针对毫秒级上的动态资源分配问题,提出了基于多智能体深度Q学习的V2V动态资源分配算法,其能够在保证V2V的可靠性约束条件下,随着车辆运动每个V2V分布式地进行资源分配,使得系统中蜂窝用户的总吞吐量最大。在该算法中,每个V2V用户对为一个智能体,并通过与环境不断交互学习其DQN来使得蜂窝用户总吞吐量最大。通过仿真结果表明,该算法具有一定的有效性,即,V2V通过其收敛的DQN进行的资源分配,能够保证V2V通信的可靠性和蜂窝用户的通信性能。针对百毫秒级上的动态资源分配问题,本文提出了基于大尺度衰落的V2V预资源分配算法,基站可以通过车辆轨迹的可预测性,计算出未来时刻的车联网中的大尺度衰落,并用此来提前为V2V进行资源分配,从而实现V2V的动态资源分配。该算法具体分为四个步骤来执行。先根据车辆轨迹的可预测性来计算出未来时刻蜂窝车联网中的信道功率增益;然后利用干扰信道功率增益将干扰较小的V2V用户对聚类,同一类的V2V用户对在同一频谱下进行通信;再将聚类的用户组和蜂窝用户一对一配对,并使用提出的基于Q学习的功率分配算法,找到配对时使蜂窝用户的吞吐量最大的V2V功率分配方式;最后,使用图论的匹配算法为用户组和蜂窝用户找到最佳的配对方式。在仿真中将该算法与静态资源分配算法和随机资源分配算法进行比较,证明了该算法具有一定程度的有效性,能保证V2V通信的可靠性和蜂窝用户的通信性能。