近年来,智能交通行业蓬勃发展,涌现了一批改善驾驶体验及安全性的车载应用。然而这些应用服务多是计算密集型或时延敏感型的,这对移动车辆存储和计算能力带来了严峻的考验。另一方面,传统的基于云服务的卸载方案由于云服务器离移动车辆太远,无法满足低时延要求车载应用。通过将移动边缘计算技术引入车联网,在网络边缘侧部署移动边缘服务器,可以显著提高车辆在通信、存储和计算等方面的能力。本文研究了车联网环境下基于移动边缘计算的任务卸载算法优化,主要研究内容如下:首先,在多车辆单服务器场景下,将车辆移动导致其与服务器距离实时变化对上行链路数据传输速率带来的影响,以及任务卸载决策对系统带宽分配带来的影响进行建模,在时延约束中考虑了卸载时延应小于车辆离开路边单元覆盖范围时间以确保车辆任务卸载不中断。将联合任务卸载决策及计算资源分配问题表述为系统效用最大化问题,并转换为多个局部优化问题求解,在局部优化问题中提出基于数值方法的计算资源分配算法以确定计算资源分配,并提出一种启发式任务卸载算法得到卸载决策。仿真结果表明,本文所提卸载算法与随机卸载算法、统一和独立卸载算法以及自适应遗传算法相比,能有效降低任务处理时延和能耗,提高系统总效用。其次,在多车辆多服务器场景中,针对移动车辆经过多个路边单元可以选择服务器进行部分卸载的场景,对任务在服务器中的排队进行建模,并基于任务处理时延以及服务器负载均衡构建了一个用户满意度效用函数,将联合选择决策、卸载率以及计算资源分配问题表述为延迟约束下的系统效用最大化问题,然后提出了基于粒子群优化的部分任务卸载算法来解决卸载决策问题,并利用拉格朗日方法得到了最优卸载率以及计算资源分配结果。仿真结果表明,本文所提算法能有效降低任务处理时延,并且达到了多服务器负载均衡的效果。