随着人工智能、大数据和5G通信技术等新兴技术的发展,对延迟敏感的车载应用如自动驾驶、自动导航等相继出现,而现有车载终端设备难以满足新型车载应用对时延、资源和能耗的要求。移动云计算（Mobile Cloud Computing,MCC）可以缓解应用对计算资源的需求,但由于云服务器部署距离远以及回程链路的不稳定,容易造成任务卸载的通信时延过大,仅依靠云计算无法满足时延敏感型任务的时延要求。移动边缘计算（Mobile Edge Computing,MEC）技术将计算资源下沉到离用户设备（User Equipment,UE）较近的网络边缘,通过将MEC服务器部署到基站（Base Station,BS）或无线接入点,可以为车辆终端提供更近距离的计算。车联网（Internet of Vehicles,Io V）边缘计算技术可以给予车辆边缘节点强大的数据处理能力和信息传输能力,能够提供更高效、低时延的服务。本文针对车联网中基于MEC的计算任务卸载策略问题进行研究,主要包括以下两个方面:（1）基于低时延的“车-边-云”协同计算卸载方案:在一个由车辆、边缘服务器、云计算中心组成的系统中。假设在单用户的车联网计算卸载场景中,终端车辆有一个计算密集型和时延敏感型任务,为了使得计算任务的时延最小化,对可分型计算任务进行卸载,充分利用边缘节点、本地、云计算节点的计算资源和网络容量,提出了一种基于改进的粒子群算法的“车-边-云”协同计算卸载策略,求得最优卸载分配系数。仿真实验结果表明,基于“车-边-云”卸载策略的任务计算时延低于其他卸载策略,证明了所提策略的优越性。（2）权衡时延与能耗的“车-边”协同计算卸载方案:在一个由车辆、边缘服务器和SDN（Software Defined Networks）控制器组成的车联网网络架构中。对于车联网中多任务的计算卸载,首先对任务进行了重要度的划分,并权衡能耗和时延来优化总开销成本。利用Q-learning强化学习算法、拉格朗日乘子法和梯度下降算法求出最佳的权衡因子,从而实现时延和能耗的优化。相对于单一的优化目标,此卸载策略能够充分考虑到时延和能耗来构建目标函数,节省开销。