随着5G移动通信和智能交通技术的快速发展,近年来涌现出了不少新兴车载应用（如自动驾驶、实时导航、智能识别等）,这些应用需要大量的计算和存储资源。但是,在高动态变化的车载通信环境中,车辆设备的资源有限,难以在低延迟、高可靠的要求下完成这一类紧急任务。目前,移动边缘计算（Mobile Edge Computing,MEC）已成为一种具有发展潜力的任务计算架构。边缘车联网（Edge vehicular computing,VEC）通过部署路边单元（Road Side Unit,RSU）或者请求道路上的移动车辆作为任务处理服务端,为车辆任务提供服务。MEC将云计算服务下沉到边缘端,缩短任务传输距离,极大降低任务执行时延。它不仅可以满足新兴的5G通信技术以及自动驾驶的实时任务处理需求,还可以满足高速行驶车辆的通信可靠性。然而,现实道路中车辆网络的拓扑结构极其不稳定,而且路边单元和移动车辆的可用计算资源也在时刻变化,卸载任务能否在延迟限制和车辆通信范围之内完成还是一个未知数。因此,在车联网（Internet of Vehicles,Io V）中,如何合理选择计算任务的卸载目标和处理方式是一个难题。本文主要针对不同场景下车联网任务卸载和服务切换策略展开研究。主要工作如下:（1）针对高速公路场景,本文提出了一种边缘车联网任务卸载以及服务切换策略方案。在高速公路上,路侧的计算资源与存储资源比较少,同时车辆的行驶速度很快,卸载任务需要保证在有效通信范围内完成。首先根据可能存在的任务卸载策略,构建卸载模型并将目标函数设定为最小化能耗。然后,将最优问题分解为两个策略问题:任务卸载决策问题和服务切换决策问题。最后使用迭代优化的方法对所提的问题进行优化求解。仿真表明,所提出的任务卸载和服务切换策略方案明显降低了任务卸载总能耗。（2）针对城市道路场景,本文提出了一种基于轨迹预测的边缘车联网高效任务卸载方案,并重点分析了相邻RSU之间的服务切换。移动车辆可以选择本地处理任务,也可以选择将任务卸载到周围的RSU或者合作车辆进行处理。为了减少车辆间任务传输的延迟以及提高数据传输的稳定性,文中提出了一种基于轨迹预测的合作车辆选择方法,并制定了一种基于深度强化学习的高效任务卸载方案,重点考虑了动态变化的任务计算资源和通信资源。仿真结果表明,该任务卸载方案有效地提高了车辆的任务卸载效用。本文所做的研究能有效提高车辆任务卸载效用,并且减少任务处理能耗与时间,同时帮助车辆用户在高度动态变化的车载通信环境下选择任务卸载和服务切换策略,改善车辆用户的服务体验。