近年来，社会的发展使汽车走进家家户户。车载应用服务场景多样化、服务质量稳定化、服务内容智能化的发展趋势使车载终端产生的数据流量呈指数态增长趋势。仅具有集中式云计算中心的车联网逐渐展现其效率低下的缺点。将计算下沉至边缘端的移动边缘计算(MEC)与车联网相结合的基于MEC的车联网具有低时延、低能耗、精准环境支持等优点，可解决上述问题、降低服务延迟、提供灵活服务、缓解网络压力、减少网络阻塞。其中使用任务卸载来降低服务延迟是移动边缘计算的一个重要应用也是一大热门研究，即将任务放置到其他高性能计算单元或多计算单元实现多任务的并行处理。
　　本文首先深入研究了车联网边缘计算任务卸载算法，列举了研究的常用思路和方法。并完成了以下工作：
　　1.提出了一种面向动态移动性的卸载算法，即DMOO，用于延迟受限的车辆到车辆(V2V)边缘任务卸载。具体来说，为了克服由移动性和资源不足引起的问题，设计了一个风险评估模型来评估车辆超出范围的可能性，并在此模型基础上设计了一种基于人工蜂群算法的任务卸载算法，以平衡卸载效用和潜在风险。大量的实验结果表明，与其他现有方案相比，该方案具有优越性。
　　2.提出了异构环境下基于学习的任务卸载算法LBTO，用于解决异构车辆边缘任务卸载环境下具有依赖任务的卸载决策问题。该算法使用序列到序列(S2S)网络框架特征化依赖任务作为状态并使用异步优势动作评价算法(A3C)算法学习卸载策略。S2S网络框架能应对子任务数量多的依赖任务；而基于深度强化学习的A3C算法可动态适应环境，不依赖环境建模，并可快速做出决策，且其异步训练机制可节省训练时间提升训练效果。实验结果表明，相比其他基准方案能获得更快的执行时间。