如今,车联网技术通过处理来自车辆提供的海量道路数据和驾驶数据为车辆提供交通服务。边缘计算技术为车联网系统提供了一种新的分布式计算范式,并且随着通信行业的快速发展提升了边缘服务器处理车联网任务的能力。然而,由于车联网中任务数据体量大、边缘服务器部署成本高使得计算资源受限,在提供任务卸载时边缘服务器数据传输速度慢、负载增大、存在泄漏信息等问题日益突出。如何保证任务卸载过程中处于健壮的边缘服务网络,实现迅速、稳定及安全的任务卸载是亟待解决的问题。因此,面向车联网边缘计算的任务卸载关键技术研究面临以下挑战:（1）针对支持任务卸载的边缘服务器布局,缺乏考虑结合车辆用户的计算资源需求,部署成本和网络稳定的布局策略。（2）针对边缘计算的多目标优化任务卸载问题,是基于稳定和安全的服务网络环境下,需要综合考虑车联网系统的边缘服务器负载、任务卸载的延迟和隐私信息泄露的复杂性。应对以上挑战,本文对面向车联网边缘计算的任务卸载关键技术展开研究,研究的主要内容包括:（1）为了任务卸载拥有稳定的网络环境,提出综合考虑部署成本和网络稳定的布局方法。具体而言,首先,建立边缘服务器布局问题的效益模型,成本模型和用户覆盖率模型。然后,将边缘服务器布局问题转化为一个考虑计算资源分配和鲁棒性关系的边缘服务器布局博弈（Edge Server Placement Game,ESP-G）,并且此博弈的目标为最大覆盖车辆的数量,最小化服务器的计算成本和数量以及车辆对服务器网络的鲁棒性拥有最小的影响。同时,本文证明了ESP-G博弈是一个具有纳什均衡的势博弈,并且使用分布式算法证明分析了此博弈求解纳什均衡的过程具有收敛性。（2）针对车联网边缘计算的任务卸载时导致的负载不均衡,时间延迟和隐私泄露的问题,提出了多目标优化任务卸载方法。具体而言,首先,基于支持任务卸载的边缘服务器布局构建车联网边缘计算架构,分析边缘服务器的服务延时,负载均衡以及隐私信息熵构建模型。最后,以改进的强度帕累托进化算法（Improving the Strength Pareto Evolutionary Algorithm,SPEA2）为基础提出了面向车联网边缘计算的任务卸载方法,同时对三个目标进行优化求出全局最优解。