车联网（Vehicular Network,VN）与人工智能技术的发展促进了无人驾驶汽车的网联化与智能化,智能网联汽车是未来智慧城市（Smart City）系统中重要的组成部分。智能网联汽车依靠自身传感器对周围环境进行感知,通过无线通信技术与其他智能网联汽车交互,最终将感知信息与通信信息结合做出智能决策。然而,由于道路参与者的增多以及天气、道路情况的影响,智能网联汽车的感知能力与通信服务质量面临着如下问题:通信带宽及车载边缘计算的资源限制、远端感知能力受阻、复杂的车联网协议限制等。面对这些挑战,本文利用深度学习与强化学习方法的优势构建满足智能网联汽车感知精准度与通信服务质量的方法,主要研究内容及创新如下:（1）基于柱编码（Pillar）的智能网联汽车合作感知方法。研究了三维目标检测与通信技术的结合的潜力,本文提出了一种协作感知框架,智能网联汽车基于Pillar对点云数据编码之后,使用八叉树（Octomap）压缩数据并传输。通过此框架,智能网联汽车可以有效的减少环境感知盲点和提升远距离的三维目标检测精度。实验结果表明,所提出的方法在处理频率以及计算时间上优于已知的其他协作感知方案,并且目标检测的精度在较远距离下有显著的提高。此外,该方法实现了融合数据处理和协作感知消息传输的总体低延迟,此方法满足了对感知任务的精度要求前提下,为智能网联汽车提供更加充足的决策反应时间。此外,本方法也为不同的智能网联汽车的合作感知提供了一种统一的信息交互方案。（2）基于具有约束条件的混合动作空间的车载边缘计算（Vehicular Edge Computing,VEC）的感知任务卸载方法。考虑到智能网联汽车感知任务的约束条件与混合动作空间的影响,本文提出一种可以处理带有约束的混合动作空间的深度强化学习方法,此方法基于经典强化学习算法:近端策略优化（Proximal Policy Optimization,PPO）,VEC网络基于对不同的边缘计算服务端的状态观察利用此方法进行感知任务的分割与卸载,提出的方法可以满足感知任务分割的约束条件,此外还解决了网络的感知任务完成量、计算感知任务的能量消耗与传输感知任务的能量消耗三方面的多目标优化问题。实验结果表明所提方法可使得智能网联汽车可以低能耗,低延时的进行任务卸载,与现有方法对比有很大的提升,提升了智能网联汽车的感知应用服务质量。（3）基于感知信息价值的车联网MAC层接入方法。针对感知任务的延时要求不同,提出基于感知信息价值的互惠型部分可观测MAC接入方法。本文通过将不同的感知任务与等待发送时间联合考虑其价值,提出一个互惠型合作奖励函数即智能网联汽车当前发送的概率不仅考虑自身的收益价值,同时考虑整个网络其他网联汽车的收益。本文构建了智能网联汽车的跨层合作博弈MAC层模型。此外,使用部分可观察马尔可夫决策过程（Partially Observable Markov Decision Process,POMDP）从理论上证明了博弈均衡点的存在,并提供了一种使用深度强化学习控制智能网联汽车的接入控制概率具体方法。最后,给出不同感知数据到达周期的实验结果,以此评估提出接入机制的性能,并将其与传统IEEE 802.11p标准协议进行比较。实验结果证明了本文提出的互惠收益博弈方法传输感知数据的延时与有效交付率的优势,此方法可以有力支持时间敏感的智能网联汽车环境感知任务。