当前,无人驾驶领域存在单车的传感器死角问题和短距离直接通信的距离限制等关键问题,蜂窝车联网（Cellular-Vehicle-to-Everything,C-V2X）成为解决上述问题的有效办法。联网的车辆通过接收来自互联网以及其他车辆的实时信息,能够显著提升车辆对环境的感知能力和感知范围。然而,无人驾驶车辆仍存在算力有限问题,无法满足高计算的业务要求,因此支持云计算的智能网联车解决了单车算力不足的问题。但仅支持云计算的车联网一般通信时延较大,无法保证车联网业务的低时延高可靠性;作为云计算的补充,支持雾计算的车联网系统通过就近的通信和服务,能够有效降低网络的时延,显著提高可靠性。现有车联网研究工作主要集中在分析排队和工作负载处理的延迟上,而忽略了导致端-到-端延迟的主要因素之一的车辆与雾/云服务器之间的无线接入延迟。鉴于此,本文着重研究了联网的车辆与云数据中心以及与雾节点之间的无线接入延迟,提出了基于雾计算的车联网时延性能分析与路径选择优化方法。本文首先在华中科技大学校园内进行了为期四个月的车联网延迟测试与研究,通过在车载智能手机上安装自主开发的测试软件,利用商用蜂窝无线通信系统进行校车与雾/云服务器之间的无线接入延迟测试,定期收集车辆与雾/云服务器之间的往返时间（Round-Trip Time,RTT）以及车辆的状态数据。接着,使用延迟数据集建立经验空间统计模型来表示校内主要行驶路线上的等待时间的空间变化。由于延迟在连续时隙和相邻位置点之间具有很高的动态性,本文的主要目标是最大化服务置信度,即车联网服务在其可容忍延迟阈值内得到满足的概率。统计数据表明:车联网RTT经验概率分布函数（Probability Distribution Function,PDF）具有很强的空间相关性。鉴于此,本文引入一种改进的基于K-均值的方法,将整个研究区域内不同位置的经验PDF分类为有限数量的概率分布,并作区域划分。最后,考虑到无人驾驶中首要的安全性问题,本文以优化RTT的平均置信度为主要目标,重点研究了车辆的路径规划问题,提出了一种基于DQN（Deep Q-learning Network）的路径规划算法。仿真结果表明,该算法能显著提高RTT的平均置信度。