随着移动互联网的快速发展,任务分配技术在Online To Offline(O2O)服务平台、共享经济模式等现代应用中发挥着重要作用,是智能交通领域中的一个重要问题。与传统任务分配问题相比,时空环境下在线任务分配问题存在数据规模大、数据变化频繁等特征。针对上述问题,本文提出算法OSBM(Optimal Static Buffer Match)、SDBM(Sketch based Dynamic Buffer Maintenance)和TMATCH(Task Match)。针对一对一的任务分配问题本文首先提出基于缓冲区思想的在线任务分配算法。为有效管理动态数据,算法基于网格划分结果提出合并和分裂策略并建立多分辨率网格,同时通过历史订单数据的预处理操作来提高数据管理效率。随后提出静态缓冲区算法OSBM,算法利用历史订单分配结果描述响应和匹配时间的曲线关系,以此提升算法性能。最后提出动态算法SDBM,算法拟合数据分布的概要信息,通过建立骨架和联合分块的方法预测匹配质量同时降低数据维护代价。针对一对多任务分配问题本文提出路网下分布式任务匹配框架。出于减小数据传输代价的目的,首先提出服务器随机选择算法,该算法通过缩小服务器节点所在区域内乘客和出租车数量比例的方法解决重复搜索问题。接下来提出RTI-Tree索引来维护每个服务器,该索引基于任务目的位置信息建立R-Tree,随后向叶子结点添加倒排列表以保证数据维护效率并提高匹配效率。最后框架通过分割出租车行驶路径,联合各区域服务器内所维护任务信息的方法搜索最优匹配结果。相比现有算法,本文所提算法和框架提高了数据查询效率和任务分配质量。理论分析和实验验证了本文算法的高效性和稳定性。