车辆通信和汽车雷达传感技术是实现更加智能、快速、安全的交通系统的关键技术。由于车辆数量的快速增长和车辆的高速移动性,需要频繁的资源分配,这将可能导致网络拥塞,大的信号处理时延。另外,由于可用的带宽资源有限,在汽车上广泛部署雷达传感器可能会导致严重的干扰问题。为了满足汽车通信和雷达感知的性能需求,同时提高频谱效率,资源优化是未来自动驾驶车联网技术中必须应对的重要挑战之一。本文通过对车联网中车辆通信和汽车雷达资源优化算法的调研,不仅为车辆通信提出了能够有效降低时延、提高频谱效率的资源分配方案和减小能耗的模式选择方案,同时针对汽车雷达感知系统提出了基于干扰分析的功率优化方案。具体的贡献及成果可以概括如下:首先,针对车辆通信的资源分配和优化问题,本文提出了一种新颖的半静态资源分配方案,该方案基于两层异构蜂窝网络架构,包括一个中央宏蜂窝（Macro Base Station,MBS）和多个路边单元（Roadside Unit,RSU）。考虑到车流量的可预测性,本文将车流量预测与该资源分配方案相结合。在该分配方案中,MBS根据流量预测提前为RSU分配静态资源,然后再根据RSU的实时请求分配动态资源,与此同时车辆使用预分配的资源进行通信。在此基础上,针对高速公路和市区内交叉路段两个场景,本文主要研究了两类优化问题:1)在总带宽的约束下最小化相对时延;2)在传输时延的约束下,使总带宽最小。针对两个优化问题,开发了不同的算法来进行解决。对于第一个优化问题,本文提出了一种时空邻近算法（Space-Time k-Nearest Neighbour,ST-kNN）用于短期交通流量的预测,然后采用了几何注水算法来最小化相对时延。对于第二个问题,本文采用了线性最小均方误差（Linear Minimum Mean Square Error,LMMSE）进行流量预测,并给出了优化问题的最优解。仿真中给出了与其他两个基准方案的对比结果,验证了所提出的半静态资源分配方案的有效性。其次,针对车用无线通信技术（Vehicle-to-Everything,V2X）的模式选择研究,本文调研了一个双层的异构蜂窝网络,其中宏蜂窝层和微蜂窝层采用动态时分双工（Time Division Duplex,TDD）方案,可以动态调整上层链路和下层链路的时间配置以适应流量的不对称性。在此基础上,本文提出了一种车载终端直通通信（Vehicular Device-to-device,V-D2D）的模式选择方案,结合时间分配和功率控制,来最小化车辆和整个网络的能量消耗。该能耗优化问题被证明为一个凸优化问题。针对模式选择问题,通过仿真给出了一个几何解释。仿真结果表明,V-D2D模式下能够有效地降低能耗,并且在宏小区和小小区中V-D2D的模式最优区域占据很大比例。最后,针对毫米波汽车通信和雷达的干扰特性分析以及汽车雷达的功率优化研究,本文首先通过考虑配备有定向天线的毫米波前向和侧向车载雷达来研究有效回波信号和干扰信号的平均功率。采用了随机几何方法来表征车辆位置的随机性,从而对在两车道和多车道场景中的雷达进行特征描述,并通过高斯波形近似辐射图来推导出一个平均干扰的闭式解。结果表明仿真结果和分析结果非常吻合,并获得了雷达参数对干扰影响的见解。然后利用相似的干扰分析方法同时考虑毫米波通信的特点,对单车道和双车道场景下的毫米波车辆通信进行了平均干扰分析,并通过仿真获得了不同天线类型对其平均干扰的影响特点。接下来,基于汽车雷达干扰分析,旨在限制所需信干噪比的前提下,使每辆车的总传输功率最小。基于线性优化方法获得了最优解决方案,并得到了仿真结果的证实。