智能驾驶是保障道路安全、缓解交通拥堵、减少能源消耗的重要途径,车联网（Internet of Vehicles,IoV）是实现智能驾驶的核心关键技术。现有的基于LTE-V2X无法满足未来宽带低时延业务传输的需求,通过频谱聚合技术聚合LTE-V2X频段和NR-V2X频段可以实现异构车联网的业务流量卸载,但如何有效的进行异构车联网频谱资源的分配来提升不同业务的服务质量（Quality of Service,QoS）是亟待解决的难题。因此,本文结合频谱资源的特性和多样化业务需求提出了异构车联网的频谱资源调度算法。主要贡献包括:（1）针对现有车联网资源调度方法中业务需求和差异性频谱匹配的问题,设计了频谱质量与业务特性结合的车联网频谱聚合系统,提出了结合效用函数的两步异构车联网资源调度算法,保障了多种业务的QoS,提升资源的利用效率。在此基础上搭建了车联网系统级仿真平台,验证了所提的基于动态规划的资源调度算法可降低基础安全业务时延38%,降低进阶安全业务的平均丢包率23%;（2）针对异构车联网交通环境时变信息无法及时更新导致频谱资源利用效率低下的问题,设计了基于联邦学习的两层车联网资源调度框架。路侧单元（Road Side Unit,RSU）能够根据车辆业务的信息年龄和带宽需求建立累积效用函数模型,通过竞价博弈实现快速资源分配。宏基站基于全局效用函数和联邦学习的联合优化算法可实现全局频谱资源调度的优化。仿真结果表明,所提的基于联邦学习的资源调度算法能够降低实时业务平均等待时延42%、降低非实时业务的平均丢包率17%。本文所提的多业务异构车联网的频谱资源调度方法以及车联网实时业务的频谱资源调度方法,相较于传统方法能够有效降低业务的等待时延和丢包率,增加车联网系统的吞吐量,为车联网频谱资源的有效利用提供了可靠的解决方案。最后,本文对基于移动边缘计算的车联网无线资源调度和车联网毫米波频谱聚合技术进行了展望。