随着物联网和5G技术的快速发展,车联网已成为5G技术的标志性应用场景之一,推动了一大批新兴车载智能应用的产生。但车辆终端的计算资源有限,很难达到实时路况、智能识别等新兴应用对时延和能耗的要求。基于边缘计算的车联网技术出现,解决了上述问题。车载边缘计算是将边缘服务器部署到离车辆较近的路面单元（Road Side Unit,RSU）上,为车辆提供计算和存储服务,缓解了车辆终端的计算和存储压力。然而,由于车载边缘网络的资源有限,无限制的将任务调度到边缘服务器中,会导致服务器负载过重,影响车辆用户的服务质量水平（Quality of Service,Qo S）。合理的资源调度策略才能保证边缘网络的综合性能,提高用户的Qo S。因此,本文针对这些问题做了以下研究:（1）针对车载边缘计算环境中计算资源有限的问题,面向不可拆分型任务,提出了一种两阶段的二进制资源调度策略。将二进制资源调度问题分解为卸载决策和资源分配两个因素,以最小化时延和能耗的线性组合为目标。第一阶段通过改进的融合遗传算法得出最优的卸载决策,第二阶段通过改进的人工鱼群算法求解最优资源分配,二者联合优化来减少系统开销。仿真结果表明,所提策略对比其他基准策略可以有效降低时延、能耗和开销。（2）针对车联网中路面交通复杂、车辆密集产生过多计算任务需要实时处理的问题,面向可拆分型任务,提出了一种基于改进模拟退火算法的部分资源调度策略。以最小化系统开销为目标,构建了包含卸载比率因子的部分调度系统模型。将部分资源调度问题分解为卸载比率和计算资源分配两个因素。通过改进的模拟退火算法求解最优卸载比率因子,在算法迭代过程中,通过拉格朗日乘子法得出最优资源分配。仿真验证了所提策略的收敛性以及在优化时延、能耗和开销方面的高效性。（3）由于车辆的智能应用程序会产生过大的计算任务,面向可拆分型任务,提出了一种将任务切分为具有依赖关系的子任务的细粒度资源调度策略。以车载导航应用为例,导航任务拆分后并行处理,可以显著减少系统延迟。以最小化任务完成时间为目标,构建了细粒度子任务拆分的系统模型。首先针对单车辆单服务器,本文提出了ESF（Earliest Scheduling Finish time,ESF）算法,该算法综合考虑了任务优先级和处理器选择问题。其次针对多车辆多服务器,本文提出了基于博弈论的分布式DESF（Distribute Earliest Scheduling Finish time,DESF）算法。通过仿真验证了所提算法的收敛性并且可以有效优化系统延迟。