车联网作为5G主要的应用场景之一,需要处理海量的数据,传统云计算虽然可以提供丰富的资源,但由于距离车辆较远很难实时响应用户发出的请求,而移动边缘计算（Mobile Edge Computing,MEC）能就近提供及时可靠的服务。通过研究基于MEC的卸载和缓存技术,可弥补车辆资源的不足和云计算距离上的劣势。然而现有的卸载和缓存策略大多针对固定网络架构,忽略了设备间的协作性,本文从MEC出发,对车联网的卸载和缓存策略展开了进一步地研究,主要工作如下:1)首先,搭建了基于MEC的“车-边-云”协同架构,通过结合多种新兴的5G技术,该架构完成了对网络资源的集中调配,扩展了网络功能,改善了网络灵活性,并且通过利用车辆、MEC服务器及云服务器三方的协作性,将单层服务扩展到了多层,避免了资源浪费。2)其次,针对车联网在任务卸载时存在时间延迟和能量浪费的问题,提出了基于MEC的改进烟花算法卸载策略。通过将爆炸火花邻域由正方形扩展为球形,把位移操作对象由烟花改进为所有火花,并用时间开销小的锦标赛选择策略替换轮盘赌,使得改进后的烟花算法在求解卸载优化问题时迭代速度更快、搜索范围更广。仿真结果表明,当任务数据量达到5Mbit时,所提卸载策略的响应时延比FWA、DOAG及SDR-AO-ST分别低约15.2%、39.1%、46.2%,传输能耗分别低约12.8%、22.1%、33.9%。3)最后,针对车联网在缓存内容时存在缓存命中率低及下载时间长的问题,提出了基于MEC的蚁群模拟退火算法缓存策略。通过将时延参数引入到蚁群算法中可得到缓存优化问题的局部最优解,在此解的基础上利用模拟退火算法的概率突跳性可获得全局最优解,应用结合后的算法求解缓存问题既能提高计算速度,又能跳出局部最优。仿真结果表明,当服务内容数量达到1000时,所提缓存策略的缓存命中率比DLC、MAP和RC分别高约15.9%、22.7%、28.8%,平均下载时延分别低约7.9%、17.3%、33.1%。