智能车辆的不断发展促使众多车载应用的产生,随之增加的还有大量车载任务的实时处理需求,车辆有限的计算资源、远程云的高传输时延致使它们无法为车载任务提供高效的计算服务。车载边缘计算（Vehicular Edge Computing,VEC）作为一种新的计算范式,将计算资源、存储资源移动到数据源附近,通过合理的任务调度达到降低车载任务响应时延、减少通信开销的目的。因此,针对VEC任务调度的研究备受关注。本文对VEC中的任务调度展开研究,旨在提高车载任务调度的整体性能。论文的主要工作和创新点如下:（1）针对多车单类型车载任务的场景,提出了一种基于粒子群算法的任务调度策略。在计算节点资源受限的情况下,对任务在不同节点上完成时的传输、执行过程分别建立时延模型、能耗模型,将资源受限情况考虑到任务模型构建中,在此基础上通过加权求和建立粒子群算法中的适应度函数,求解得到任务的全局最优任务调度策略,比较在不同的卸载策略下任务调度的时延及能耗,验证改进后算法的性能。（2）针对多车多类型任务的场景,提出了一种基于蚁群的任务调度策略。首先根据车辆类型、车载任务类型及任务的截止时间判定任务的优先级,其次在计算节点资源有限的情况下,建立最小化任务完成时延和能耗模型,采用蚁群算法进行求解,得到近似全局最优卸载策略。通过对不同车辆数与任务完成时延、能耗之间的关系进行仿真,验证本文所提算法的性能。仿真结果表明,本文提出的算法可有效降低VEC任务调度系统的总能耗,并保证高优先级任务的实时性。（3）利用SUMO生成包含多类型车辆的车流,并构建具体交通场景,通过对车流的动态学参数的统计及处理,仿真验证单类型车载任务调度和多类型车载任务调度的整体性能及优势。实验结果表明,本文所提的基于粒子群的任务调度策略可有效降低任务完成的时延与能耗,基于蚁群的任务调策略可在优化整体时延和能耗的情况下,降低特殊车载任务的完成时延。