车联网是一种基于人、车、环境协同的可控、可管、可运营的开放融合网络系统,它借助新一代通信与信息处理技术,实现车与人、车、路、服务平台的全方位网络连接与智能信息交换,以提升汽车感知、认知、决策水平,最终实现人、车、环境的深度融合。车路协同是车联网的重要场景,通过全方位实施车车、车路动态实时信息交互,开展车辆主动安全控制和道路协同管理,充分实现人、车、路的有效协同,保证交通安全,提高通行效率。由于车辆的移动性、时空分布不均等特点,导致车联网在支撑大规模车路协同过程中会面临资源瓶颈问题。本文围绕车联网服务对数据传输的时延、可靠性、带宽等要求,针对基于蜂窝网络的车用无线通信网络(C-V2X)中的资源瓶颈问题,重点从介质访问控制层、网络层与应用层三个层面来研究车联网的资源调度方法,主要创新成果如下:1)在介质访问控制层,针对资源分配稳定性需求与车辆运动高动态的矛盾,提出了一种基于软件定义网络的介质访问控制协议(MAC),以支持协同驾驶等安全相关服务数据的低时延、高可靠、高频率通信。该方法的核心思想是:通过控制层和数据层的解耦,解决MAC协议中基于不可靠的车车通信获取时隙分配消息带来的不可靠问题。首先,路侧基础设施基于共享的时隙分配消息来集中式分配与管理时隙资源,确保可靠广播。然后,为了解决车辆密度变化的问题,设计了车路自适应通信范围的广播机制。最后,从理论上对两个典型的分布式介质访问控制协议进行理论建模,以分析协议在非完美信道下的性能。仿真结果表明,所提方法在接入时延、接入碰撞率、可靠性、网络吞吐量等方面都有明显的性能提升。2)在网络层,针对车辆超视距感知过程中的数据协作传输的效率问题,提出了一种面向车辆快速移动的网络拓扑重建方法,以支持局部车辆之间协作分享大带宽与低时延的感知数据。该方法首先利用蜂窝链路来收集车路上下文信息,让基站调度车-车、车-路之间设备到设备的直接通信。然后,把协作数据传输问题建模为基于干扰图的最大独立子集问题。在构建的干扰图中,图上的节点代表可能的多播传输,节点的边代表传输之间的无线通信限制。最后,提出了均衡贪婪算法和整数规划分解算法来求解最大独立子集问题,以高效地重建网络拓扑。仿真结果表明,所提方案在降低复杂度的同时,能够明显提高局部协作数据传输的效率。3)在应用层,针对大规模车-蜂窝通信中负载不均衡问题,提出了基于全局交通态势学习的大规模车-蜂窝通信负载均衡方法,以支持驾驶数据的均衡分发。首先,对考虑的区域进行网格化,并用网格的流入流量和流出流量来表示交通态势。其次,设计了三维卷积神经网络来有效学习与挖掘交通态势中蕴含的时间相关性和空间相关性,并利用学习的特征来预测交通态势的演变趋势。最后,把负载均衡问题建模为非线性优化问题,并使用卷积神经网络来拟合优化的过程。实验结果表明,所提方案能够明显提高蜂窝链路资源的利用率。