随着城市交通智能化和通信技术的进步,车辆如今正从交通工具向智能终端转变,由此会产生大量的车辆应用。但如今车辆有限的计算资源不能满足任务的计算需求与延迟性约束。移动边缘计算技术是解决上述问题的有效方式,通过利用道路上车辆的计算资源进行协同计算以实现低延迟的网络服务,从而弥补车辆自身计算能力不足的问题。目前对于车联网中计算任务卸载策略已有众多研究,传统方式把卸载决策问题转化为迭代优化问题,但是不能应对大规模复杂的车联网环境。此外现有使用深度强化学习的求解方式存在着对车辆的移动性考虑不足、不能很好地适应任务卸载环境的资源波动特性等问题。针对上述问题,本文主要工作如下:（1）针对车载边缘计算中使用附近车辆作为边缘服务器的场景,提出一种考虑车辆移动性的深度强化学习任务卸载算法。首先考虑到异质卸载任务,使用熵值法对任务进行优先级排序。接着把任务卸载过程看作马尔可夫决策过程,构建通信与计算模型并最大化系统效用值。车辆的移动性会对任务卸载的造成影响,在环境状态中加入车辆驻留时间信息。假设每个时刻下车辆的驻留时间服从正态分布,然后使用贝叶斯算法根据历史驻留时间的先验分布计算当前时刻的后验分布。仿真结果表明,提出的算法相比于深度Q网络和贪心策略,获得的系统效用值分别提高了11%和45%,且具有最高的任务完成率。（2）针对车辆云环境下任务卸载与资源分配问题,提出一个考虑异质车辆和异质任务的计算资源分配算法。首先对到达的任务构建M/M/1队列模型与计算模型,接着设计一个效用函数最大化系统整体效用。为了适应环境中计算资源波动的特性,提出基于双时间尺度的二次资源分配机制。使用两个不同时间尺度的资源分配决策动作,对其分别构建部分可观测马尔可夫决策过程。两个决策动作通过执行各自的策略获得的奖励进行连接,将问题建模为两层计算资源分配问题。然后提出基于二次资源分配机制的多智能体强化学习算法求解最优策略。仿真结果与深度确定性策略梯度算法对比,基于二次资源分配机制的方案可以显著提高系统的整体效用值与任务完成率,更好的适应车辆云动态卸载环境。