车联网作为5G移动通信的代表性应用场景之一,随着信息技术的发展以及新的业务需求,产生了大量对计算与存储资源高需求的车载应用。然而,在目前的车载通信环境中,传统的任务迁移与资源分配算法难以满足实时路况、智能识别等新型车载应用的低时延、高可靠需求。移动边缘计算（Mobile Edge Computing,MEC）可以在智能交通等新型应用场景的网络边缘侧部署大量高性能服务器,车辆终端将任务卸载至MEC边缘服务器执行,可以有效降低任务执行时延。因此本文在边缘环境中面向车辆自组织网络通信,针对不同的应用场景,基于深度强化学习（Deep Reinforcement Learning,DRL）提出了两种不同的任务卸载算法。（1）针对单小区多车辆终端场景,本文提出了一种基于深度Q网络（Deep Q Netwok,DQN）的任务分级卸载算法,使得车辆终端在额定能耗下能够最大化任务的处理速率,从而有效降低任务执行时延。首先引入层次分析法（Analytic Hierarrchy Process,AHP）对车辆终端携带的计算密集型任务进行优先级划分,以任务的处理速率加权和为优化目标建立系统模型;其次提出了一种AHP-DQN任务分级卸载算法,使得车辆终端能够在时变的无线信道环境中自适应地做出最优的任务卸载策略。仿真结果表明相比于DQN算法,文中所提算法的任务执行时延降低了14%,任务卸载成功率提高了11%,有效提高了车辆终端的任务执行效率。（2）针对多小区多车辆终端场景,考虑到边缘侧MEC服务器节点匮乏的挑战,提出了一种联合优化任务动态卸载与资源调度的算法。文中首先基于排队论,以车载边缘网络中所有计算任务的执行时延之和作为优化目标建立系统模型;然后探讨了DQN算法中的过估计问题,通过Double DQN算法来缓解该问题对卸载决策制定造成的影响。最后提出了一种基于Double DQN的计算资源分配及车辆终端任务动态卸载算法。仿真结果表明所提的算法能够大幅度提高边缘侧计算与存储资源的利用率、有效降低车辆终端的任务执行时延,并且算法收敛速度高于传统的DQN算法。