车载互联网作为实现未来智能交通系统的关键技术之一,受到了越来越多的关注。高移动性和有限通信资源情况下,车辆的接入方式选择、任务卸载策略以及分配相应的无线和计算资源方式,都是影响系统稳定性和系统容量的重要因素。针对车联网中车辆移动性引起的信道信息跟踪不及时及资源调度不及时问题,本文以提高系统综合时延、系统吞吐量及能效等为目标,研究合理的计算卸载策略、资源分配算法设计。首先,考虑到车辆高速移动产生的多普勒频移和快速的信道变化对数据传输可靠性和时延的影响,本文构建了单层网络和多层异构网络场景,并提出了基于系统吞吐量及能效的多时隙资源分配算法。该算法基于多时隙模型预测信道状态在一段时间内的变化特性,通过建立相关的数学模型及理论分析,提出了功率分配算法。并进一步考虑多连接网络的接入方式,通过建立基于链接损耗的数学模型,提出低复杂度的次优功率分配算法。仿真结果表明,本章所提算法的性能优于传统的只在一个时隙做一次资源分配的算法。其次,本文构建了一个基于移动边缘计算(Mobile Edge Computing,MEC)的卸载框架以解决移动终端计算能力不足问题。考虑到车载通信的高速移动性,本文提出了基于综合时延最小化的计算卸载和资源分配算法。该框架基于最小化平均时延的效用函数优化模型,并采用交叉熵(Cross-Entropy,CE)算法和盖尔-沙普利(Gale-Shapley,GS)算法完成卸载和计算资源分配。本章进一步将模型扩展到多时隙模式,在考虑连续时隙卸载切换时延的情况下,给出卸载和计算资源分配方式。针对移动速度较低的慢衰落信道,本文利用信道的时隙间连续性特性,提出了一种基于马尔科夫决策过程(Markov Decision Process,MDP)的资源分配方案,使得系统整体的收益最大化。在考虑收入、成本以及可用的资源等系统收益下,该算法定义了系统的状态空间、行动空间、收益函数以及转移概率分布,通过马尔可夫决策过程的迭代算法确定最优方案。仿真结果表明,在可接受的复杂度之内通过基于MDP的方案能获得性能的提升。