随着无人驾驶的不断发展,智能车联网中的安全问题越来越受到社会的重视。然而传统的信息安全方法由于算法复杂度高,对设备硬件的算力要求高,不太适应智能车联网,而且传统的信息安全方法时延较高,对于智能车联网这种对时延要求极低的场景,显然不太适用。物理层安全具有算法复杂低,对设备算力要求低的优点,由于这些优点,越来越受到广大学者的重视。物理层安全中有很多有用的技术和方法,其中资源分配方法就是物理层安全技术之一,主要通过分配无线电资源,扩大合法信道和窃听信道之间的差异,来提升保密容量。传统的物理层安全资源分配算法通常是一个优化问题,然而由于车联网的异构型和高速变化性,造成这个优化问题是非凸且很难建立准确的数学模型,很难求得保密容量优化问题的解析解。针对传统的物理层安全资源分配算法的弊端,本论文设计出了基于深度强化学习的物理层安全资源分配算法。针对集中式资源分配场景,本文将基站设计为智能体,并设计了合适的状态空间、动作空间和奖励函数,通过优化奖励函数来优化系统保密容量。基站根据自身探测信道和车辆在固定时隙上传信道信息来获取信道状态信息,根据这些信道状态信息,基站为各个合法车辆分配子频带和发射功率,并把资源分配方案发送给各个合法车辆,合法车辆根据分配的子频带和发射功率进行通信,根据仿真实验的结果,该方法提升了系统的保密容量。在集中式物理层安全资源分配算法的基础上,针对集中式资源分配算法额外时延和开销的问题,提出了基于多智能体强化学习的分布式资源分配方法。把合法车辆用户设计为智能体,为智能体设计了合适的状态空间、动作空间和奖励函数,通过奖励函数来实现各个车辆的协作,来优化系统的保密容量。车辆获取信道状态信息,并根据这些信息自主地选择子频带和发射功率进行通信该方法避免了集中式资源分配方法中因通信产生的额外时延和开销,提升了系统保密容量,具有收敛速度快等优点,使其更加贴近实际工程应用。