车辆网络对于智能交通系统的构建至关重要,只有保证了车辆网络中信息的传输才能够提供一些基础性的服务。过去二十年,车辆自组织网络(vehicular ad hoc network,VANET)是科研人员的研究热点,这种自组织形式的网络能够提供低时延的通信,但是缺乏集中控制,无法获取全局信息的缺陷会导致网络通信效率低下。近年来,软件定义车辆网络(software-defined vehicular network,SDVN)已经成为下一代极具潜力的车辆通信技术。与传统的集中式SDVN相比,混合式的SDVN将集中控制和分布式路由相结合以减轻高频率的上下行传输给中央控制器带来的网络负担。尽管车辆网络中已经有多种分布式路由协议,但这些协议是针对特定的交通场景设计的,缺乏灵活性。为了解决这个问题,本文提出了一种高效的基于在线序贯学习的路由方案,名为基于青霉菌繁殖在线学习算法的自适应路由方案(penicillium reproduction-based online learning adaptive routing scheme,POLAR)。这种方案可以通过学习交通特征来为特定的交通场景选择最佳路由策略。具体来说,本文首先提出了一种基于混合式SDVN的通信架构,采用了一种区域编码系统将地理区域分割成网格状区域,这有利于控制器实时地收集和处理本地交通数据。其次,本文设计了具有杰出寻优能力的青霉菌繁殖算法(penicillium reproduction algorithm,PRA)来提高在线极限学习机(online sequential extreme learning machine,OS-ELM)的学习能力。最终,POLAR将会被部署在控制器中用于生成决策模型。基于实时的交通特征数据,本方案可为特定的区域选择最佳路由策略。大量仿真实验的结果表明,POLAR在分组传输率和平均端到端时延方面优于单一的传统路由协议。