车载自组织网络（Vehicular Ad Hoc Network,VANET）作为智能交通系统中的重要研究方向之一,旨在为车辆提供通信服务以提升行车安全,提高交通效率。随着近年来国内外自动驾驶研究的展开,各类应用对VANET数据传输的服务质量要求越来越高。作为未来汽车自动驾驶和智能交通的核心技术,亟需设计高效可靠的数据传输技术以满足不断增长的应用需求,为车辆提供更可靠的网络连接,更高的网络吞吐量。高速公路场景下车辆的高速移动,网络拓扑频繁变化以及部分路段缺少基础设施全覆盖等特性使得VANET数据传输面临严峻考验。本文在跟踪国内外最新研究基础上,针对不同的高速公路场景VANET应用类型,对广播算法和分簇路由算法进行了深入研究。首先针对高速公路外部向公路内部投放信息应用需求,提出了一种基于中继的广播算法来优化网络吞吐量,使得信息高效的遍历全网。然后针对公路内部产生信息的应用需求,建立了高速场景下车辆运动模型并利用机器学习算法预测车辆运动模式,设计了稳定的分簇算法以保障数据的簇内近距离传输。最后基于车辆运动一致性以及链路状态设计了簇间路由算法以保证可靠的远距离单播通信,完善了分簇路由算法。针对车载自组织网络的数据传输问题,本文的主要研究工作包括以下几个方面:首先,本文提出了一个基于中继的广播策略,避免信息冗余的同时最大化系统吞吐量以实现高速公路场景下高效的信息广播分发。根据地理信息标称位置选择的中继节点在网络中形成动态骨干网,以提高高速公路场景下车辆的分组广播容量。同时通过仿真证实了等间距中继距离能实现与不等间距模式一样高的吞吐量性能以及使用定向天线的增益远高于全向天线。在基于等间距标称位置和定向天线的前提下,本文继续分析了理想与非理想车流量情况下的广播容量,设计了一个数学模型来配置车辆骨干网系统的参数,并给出了最佳标称位置选择、空分复用系数、车辆编码方案的联合配置,以最大化系统吞吐量。其次,本文提出了一种基于机器学习预测车辆移动模式的稳定分簇算法,以优化现有分簇算法缺少移动性预测导致的簇存活时间较短这一问题。通过分析车辆运动与道路拓扑结构关系以及车辆行驶决策建立了离散车辆运动模型。设计了基于朴素贝叶斯分类算法的车辆运动模式预测方法。为更好的模拟现实高速公路场景下的车辆运行情况,算法的训练实例集由美国加利福尼亚州公路交通管理局的性能测量系统记录的真实车辆数据生成。预测结果作为后续分簇算法提供支持。随后本文设计了完整的稳定分簇算法,包括邻居节点感知、簇头的选举、加入簇结构、簇头的声明和簇的维护等步骤。经过理论分析,簇头的选举标准由车辆相对速度以及车辆运动模式决定。最后本文通过仿真分析了车辆运行模式对分簇算法稳定性的影响,比较并讨论了不同车辆移动性下本文提出分簇算法与现有算法的性能。为证明该算法在高速公路环境下的优越性,本文进一步使用美国加利福尼亚州高速公路真实道路拓扑以及车流数据作为仿真基础与现有算法进行了比较。最后,为提高网络信息传输可靠性,本文提出了一种基于车辆移动性以及链路状态的簇间路由算法。本文首先推导出分簇路由中簇首多跳传输的传输成功率,丢包率,端到端时延等理论指标的表达式,然后在Nakagami-m衰落信道下对理论推导进行仿真验证。接着在理论分析的指导下,设计了高可靠分簇路由算法（High Reliable Clustering Routing Algorithm,HRCR）以应对VANET节点移动速度快,网络拓扑变化频繁带来的链路稳定性差等挑战。HRCR算法将节点运动趋势一致性以及链路状态作为中继路由节点选择的指标,以获得可靠性高并且通信质量好的链路。该算法修改了HELLO数据包、本地链路集和邻居信息库的格式,以获得计算路由节点选择指标的相关数据,但同时也造成了路由开销的增加。为了降低节点的路由开销、并且避免网络拓扑稳定时控制信息的冗余发送,算法通过监听本地链路集的链路变化情况,调整了HELLO数据包的发送间隔,使其更适应网络拓扑的变化。最后本文比较了固定发送间隔的HRCR算法、改进发送间隔的HRCR算法和经典路由算法以及现有分簇路由算法在平均端到端通信时延、数据包接收率和路由开销三方面的性能。