卫星通信作为地面通信网络的补充,具备通信距离远、覆盖能力强、部署不受地理条件限制等优点,在国际通信、军事通信和应急通信等领域发挥着至关重要的作用。另一方面,随着车辆的不断普及,车联网作为物联网产业下的一个重要分支,也引起了学术界和工业界的关注。在现有的地面车联网系统中,由于车辆的高速移动,存在服务质量时变性、车辆远距离无法通信等问题,除此之外,在海洋、沙漠等环境下,或是发生地震、洪灾等自然灾害时,蜂窝网络无法实现全面部署,难以为车辆提供连续稳定的服务。为了解决上述问题,本文将利用卫星为车联网用户提供通信服务。然而在该系统中,资源是多维且受限的,这包括上下行通信资源,终端以及卫星的计算资源。与具备丰富资源的地面蜂窝网络不同,卫星通信系统由于受到本身工作方式的影响将引起较大的时延。因此,对多维且受限的资源进行合理的分配,以最小化端到端时延是当前系统中亟待解决的问题。本文首先介绍了卫星通信和车联网的研究背景与现状,总结了卫星通信系统的工作原理,阐述了卫星辅助车联网的概念与应用场景。由于卫星存在两种星上交换方式,分别是透明转发模式和星上处理模式,因此,本文提出了以下两个研究点。第一,在卫星透明转发模式下,针对压缩/解压缩系统中通信与计算资源受限导致时延较大问题,提出了一种基于去耦合的任务压缩与资源管理算法。该问题被分解为两个子问题:固定压缩比例的通信资源分配问题和各用户对的压缩比例问题。对于资源分配问题,本文采用拉格朗日乘子法来对通信资源进行最佳分配。对于压缩比例问题,为了解决系统中各用户对资源之间相互影响,本文采用了一种上限逼近的去耦合算法。结果表明,所提算法在保证用户公平性的同时,以极低的复杂度来获得较低的端到端时延。第二,在卫星星上处理模式下,针对多计算节点系统中资源分配不均与时延较大问题,提出了一种基于深度强化学习的任务卸载与资源管理算法。该问题被分解为两个子问题:固定卸载决策下的资源分配问题和多节点系统中的任务卸载问题。对于资源分配问题,本文采用拉格朗日乘子法来获得最优的通信资源与星上资源结果。对于任务卸载问题,本文首先将之提炼为一个马尔科夫决策过程,再使用深度强化模型进行训练。仿真结果表明,所提算法可以在较短时间内收敛并获得较低的加权时延和,解决了时变环境下的资源管理问题。