随着物联网与无线通信技术的飞速发展,智能汽车以及如自动驾驶、辅助驾驶等车辆计算密集型应用得到了大力的发展。这些应用具有计算密集、时延敏感等特点。车辆自身受限的计算资源难以为这些应用提供较好的服务质量。移动边缘计算（Mobile Edge Computing,MEC）拥有充足的通信、计算、存储资源并位于网络边缘,靠近用户。MEC既解决了因车辆计算资源受限而带来的时延与能耗增加的问题,也解决了云计算因长距离传输而带来的传输时延与损耗过大的问题。因此将计算密集型任务卸载至MEC服务器被认为是提高车辆任务服务质量具有前景的解决方案。然而MEC服务器仍旧是资源受限的,在交通流量较大的场景下仍旧无法满足车辆任务所需的服务质量。同一时间如果不同MEC服务器接入用户数量差距较大,会造成负载不均衡以及资源利用率过低等问题。于此同时,行为不当的车辆会减低网络效率甚至破坏网络。因此MEC服务器资源受限的车联网移动边缘计算场景中,如何设计合理的车辆接入以及资源分配方案,利用网络中的空闲资源来扩展MEC服务器的资源以为车辆提供更好的服务质量以及如何识别行为不当的车辆为本文的研究重点。在此基础上我们完成了以下两方面的工作。（1）基于契约理论-Stackelberg博弈车联网移动边缘计算联合卸载决策与资源分配研究由于MEC服务器的资源有限,以及停车场内有大量空闲资源未被利用。我们提出基于车联网移动边缘计算-停放车辆的计算范例。为确保该计算范例中所有角色均参与进来,我们提出了基于契约理论-Stackelberg博弈的卸载激励机制来描述该计算范例。该机制分为三层:停车场层、MEC所属运营商层以及拥有计算密集型任务车辆层。由于停车场与停放车辆之间的信息不对称性,我们利用契约理论来描述停车场与停放车辆之间的资源收购市场,停放车辆根据停车时间的大小分为不同的类型,停车场为不同类型的停放车辆来提供不同的合同。基于Stackelberg博弈,我们提出了资源定价模型以最大化停车场,运营商以及移动车辆的效应函数。我们利用反向规划法来求解这三阶段的优化问题,并给出每阶段最优策略的显示解。仿真结果揭示了本文提出激励机制的可行性,以及给出了每阶段最优策略随车辆密度变化的曲线。我们也同样揭示了系统能耗与车辆卸载决策随各参数变化的关系。（2）基于信誉的车联网移动边缘计算卸载技术研究在上一个工作的基础上进一步考虑用户接入问题。针对MEC服务器的资源受限以及可能出现的负载不均衡,以及潜在的安全问题。我们建立车辆信誉模型来识别行为不当的车辆以及设计合理的基于车辆信誉的用户接入以及资源分配方案以解决上述问题。我们提出了联合优化用户接入、本地与MEC服务器计算资源分配、功率控制以及卸载比例以最小化系统用于计算的时延与能耗的加权和。该优化问题为混合整数非线性规划问题,难以获得全局最优解。我们将优化问题分解为用户接入子问题、联合资源分配子问题以及卸载比例子问题。用户接入子问题我们利用基于车辆信誉的多对一匹配问题求解。联合资源分配子问题利用拉格朗日乘子法求解。卸载比例子问题为线性问题。三个子问题相互迭代至收敛后得到原优化问题的次优解。仿真结果表明本文提出的算法与仅本地执行任务与仅卸载至MEC执行任务两种方案相比具有更好的性能。