车辆网络作为物联网在交通领域的特定行业应用,通过使车辆与不同的网络设备进行信息的交互,有望在交通效率、道路安全、行驶体验等方面做出显著贡献。然而,车辆网络业务种类的增加导致车辆具有异构的服务质量（Quality of Service,Qo S）需求,由此对传统的网络架构提出了严峻的挑战。作为第五代移动通信的关键技术之一,网络切片可以在公共物理基础设施上构建多个逻辑隔离的网络,从而可以有效支持具有不同Qo S需求的应用服务。因此,对车辆网络切片进行研究,有效分配网络中的资源,对车辆网络具有重要意义。首先,介绍了车辆网络的基本理论和关键技术,总结了车辆网络切片的研究背景、意义以及研究现状;对网络切片的相关理论知识进行了描述;介绍了强化学习原理,并梳理了强化学习的常见模型。然后,针对网络动态变化情况下切片内接入车辆的性能不稳定问题,提出了一种服务质量保障的资源分配策略。在对车辆服务的稳定性进行分析后,以最小化资源损耗为目的建立了目标函数。在时间尺度上将原问题分解成两个子问题后,提出了双时间尺度资源分配算法。使用深度学习长短期记忆网络跟踪流量的长期特性,在长时间尺度分配专属资源;使用强化学习深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）算法跟踪车辆的移动性,在短时间尺度调整资源。仿真结果表明,所提策略能够较好地保证切片内车辆的Qo S稳定。接着,针对车辆对于多维资源的需求问题,考虑网络切片的成本,提出了一种切片成本保障的资源分配策略。在分析了网络切片系统总成本的构成因素后,以最小化长期系统总成本为目标将资源分配问题公式化,并提出了一种基于多智能体深度确定性策略梯度的资源分配算法解决这个问题。该算法为一种多智能体强化学习方法,在每个智能体处部署一个DDPG模型,通过集中式训练和分布式执行,能够协作完成任务卸载和资源分配。仿真结果表明,所提策略能够有效降低系统成本,并且能以较高概率满足车辆的Qo S需求。最后,对本文的研究内容进行了总结,并对后续的研究工作进行了展望。