随着智能交通系统（Intelligent Transportation System,ITS）的强劲发展,智能车辆运行着大量计算密集型应用程序,产生大量需要快速和实时处理的任务数据,为了获得优质的服务体验质量,需要车辆具有强大的计算和存储能力,然而现实中车辆自身资源受限,云计算技术的融合是车联网解决上述问题的必然趋势。本文在“远端云（Remote Cloud,RC）-边缘云（Edge Cloud,EC）-车载云（Vehicle Cloud,VC）”的分层云网络架构下对车联网应用下的云资源管理优化展开研究,主要内容和工作成果归结如下:（1）在分层云网络架构下,针对车联网中车辆自身计算资源受限以及传统云计算资源使用成本高和时延高的问题,定义了一种多云协同辅助车辆计算（Multi-cloud Collaboratively Assisting Vehicle Computing,MCAVC）范式,提出了基于改进遗传算法（Genetic Algorithm,GA）的卸载节点选择和资源分配联合优化方案,通过改进编码、交叉和变异操作,从而最小化任务完成时间和计算资源使用成本的加权和（总计算开销）。仿真结果表明,MCAVC方案相比于其它三种已有方案,总计算开销更小,且改进算法相比于另两种算法在总计算开销上的收敛值更低,性能更优。（2）从分层云网络架构的最下层--车载云的视角出发,针对车联网中车辆自身计算/存储资源受限的问题以及车辆移动性的特点,提出了一种“跨区云服务”迁移机制,重点研究了基于半马尔可夫决策过程（Semi-Markov Decision Processes,SMDP）的车载云系统服务迁移决策和动态资源分配问题。将不同类型的车辆考虑进车载云系统中,最后应用值迭代算法求解资源分配的最优策略。仿真结果证明了不同类型车辆对资源分配存在一定的影响,同时SMDP资源管理方案相比于随机分配策略（Random Allocation,RA）和贪婪算法（Greedy Algorithm,GA）,请求拒绝率更低,且系统长期收益分别提高了3.8%和10%左右,从而证明了SMDP资源管理方案的优越性。