车载自组织网络是由分布在道路上的移动车辆节点和位置固定的路边基础设施节点组成的无线自组织通信网络,网络中的移动车辆节点不仅作为终端节点实现数据的收发,而且作为中继节点来实现数据的多跳路由转发。其作为构成智能交通系统重要部分之一,受到了国内外的广泛关注。不同于传统的自组织网络,车载网中车辆节点的移动更为迅速。这使得车载网的网络环境变化更加频繁,通信节点间维持稳定链路的时间也更短,传统的路由协议不能被高效地应用于多类车载网场景。因此,需要根据不同的应用场景来定制配套的高效路由协议。本文针对车载网中远距离、跨街道的通信场景,做出了以下工作:（1）为了实现从源车辆节点到目的车辆节点的高效、稳定通信,提出了基于细胞吸引子选择模型的蚁群优化车载网路由协议,该协议以街道中心进行数据的转发。首先,根据街道内的连通性和时延设计了街道的评价方法,并以此为依据提出了基于蚁群优化的路径搜索算法,用来寻找到达目的地所在路口的街道路径。然后,根据HELLO消息的接收比对相邻节点的通信质量进行估计,以此提出了基于细胞吸引子选择模型的下一跳决策机制,用于邻居车辆间的转发决策。最终,数据包会沿着路径搜索算法找到的路线进行转发,并依据下一跳决策机制选择邻居节点集中权值最高的节点作为下一跳,直到到达目的节点。（2）方案（1）会产生较多的控制数据包,导致路由开销变大,针对这个问题,提出了一种基于多智能体强化学习的车载网路由协议。首先,建立了一个分布式多智能体的网络系统模型来描述协议的工作过程。然后设计了适用于车载网环境下的Actor-Critic方法,通过Actor网络来选择下一跳路口节点,使用Critic网络来评价决策的好坏,以此让Actor的决策更加准确。最后,提出了一种利用分布式奖励策略来考虑整个网络信息的方法。一方面,奖励函数包括描述个体之间相互作用的局部（直接）奖励,即关于两个相邻路口节点间街道的环境信息。另一方面,引入全局奖励来反映执行动作的质量,即数据包的传输方向。实验结果证明,所提出的协议在不同的车辆节点数目,不同的CBR连接数目,不同最大车辆速度和真实交通轨迹下,均保持着较为良好的数据包投递率和较低的平均端到端时延。并且方案（2）有着较低的路由开销。