随着物联网技术的发展,移动设备的数量以指数速度不断增长。目前,车联网拓扑多变,信息传输链路不稳定,终端节点之间信息传输面临高时延和低交付率等方面的巨大挑战。本文基于动态连通图对车联网信息传输进行建模研究来优化信息传输,主要贡献如下:(1)为了对车联网动态节点社交关系提取运用到车联网信息传输优化中,本文将三角图元结构对车联网社交关系进行挖掘,提出基于社区属性三角图元聚类算法证明三角图元在车联网中移动节点关系挖掘方面的可用性和高效性,进而可以对移动节点之间的社交关系加以挖掘利用提升信息传输性能。(2)对于设备直连(Device-to-Device,D2D)传输链路,本文提出了基于深度学习和三角图元的车联网信息传输策略。该方法通过对多特征异构车联网中的特征进行提取,构建了基于社交关系强弱的有权的终端设备连接网络,并基于实时网络节点的实时动态移动衡量连接概率,最终分别通过物理和社交层对D2D传输进行优化。(3)针对车辆对车辆(Vehicle-to-Vehicle,V2V)和车辆对道路通信单元(Vehicleto-Road Side Unit,V2R)两种传输方式,本文提出基于协同过滤推荐策略信息传输算法。基于雾计算实时环境感知的特点,该策略对终端节点的出行轨迹和实时相遇进行感知并进行相似性衡量,建立稳定V2V链路。对于V2R链路,基于二维马尔可夫对移动车辆文件下载过程建模,并根据文件请求分布情况,定义其流行性和可用性向量,对道路通信单元(Road Side Unit,RSU)中文件实时更新,优化V2R链路。本文均基于真实车辆数据集进行仿真实验,实验证明本文提出方法可提升车联网信息传输效率。