近年来,随着对物联网、大数据分析、人工智能等信息科技的积极探索,数字化与互联网行业都发生了深刻的改变。大规模设备接入和各类应用场景产生的海量数据,需要不断提高网络智能化处理水平,也给当前计算模式的更新提出了更高技术要求。移动边缘计算作为向B5G/6G演进的重要技术,将中心云的处理功能下放至靠近用户的网络边缘侧,在提高物联网和未来网络的资源效率、缩短时延、节省能耗等方面具有显著优势。然而,边缘云的资源有限且远不如云计算功能强大,仍然无法支持高达数万亿台连接至互联网的边缘设备。尤其是卸载高峰时段,边缘服务器负载过重将导致网络拥塞,难以保证用户体验质量。因此,本文挖掘了城市中大量停放以及行驶缓慢的车辆辅助边缘计算的巨大潜力和价值,研究任务卸载和资源管理方案,充分利用现有网络实体的空闲资源,提高卸载高峰时段的服务质量,提升任务卸载效率。主要研究内容总结如下:1.针对卸载高峰时段边缘服务器计算能力有限导致的网络拥塞问题,考虑车辆辅助边缘计算的网络架构,整合多个停放车辆的空闲资源,以减少卸载开销。当卸载至边缘服务器的任务排队等待处理时,网络运营者根据一组车辆在区域内停留一定时长的概率将任务进一步卸载至车辆节点执行,分析停放车辆辅助计算卸载的任务迁移策略和请求设备的任务处理开销。针对时延和能耗之间的均衡关系,将最小化系统中设备的平均开销作为优化目标,提出了一种基于DCA（Difference of Convex function Algorithms）的联合任务卸载与资源分配优化算法。对仿真结果分析,证明所提任务卸载方案能够有效缓解网络拥塞,减少任务卸载消耗,促进资源利用率的提升。2.针对车辆辅助边缘计算中的激励及任务高效调度问题,进一步探索用户设备、车辆和网络运营者之间的交互。其中,网络运营者作为中间控制单元,用户可直接与车辆互联并进行任务卸载,进一步降低时延。首先,分别对边缘云和车辆的资源设置不同单价,鼓励用户将部分任务卸载到车辆服务节点,实现卸载分流。并根据系统中资源的供求关系设置激励因子,按需调动车辆共享资源的积极性。然后,将用户和网络运营者的主从关系以Stackelberg（斯坦伯格）博弈描述,采用反向归纳法证明纳什均衡的存在。设计了一种基于梯度的资源分配迭代优化算法,获得纳什均衡解。最后,提出了一种基于反向拍卖的任务调度算法,得到最优用户-车辆对,由网络运营者将任务合理地分配给车辆执行,优化自身收益。经过仿真验证,该方案能同时优化各方效用,在提高系统性能方面优于现有方案。