随着5G通信技术及车联网的发展,大量车辆联网应用不断出现,如自动驾驶、实时路况、车载VR等,这些应用需要对大规模计算数据进行高效处理以保证驾乘人员安全,提高用户体验。单台车辆设备的计算和存储资源有限,无法支撑这类计算密集型应用的处理,对多节点资源协同工作的需求凸显。云计算是集中式的资源池共享模式,需要车联网中的数据通过远距离传输到云中心进行处理再反馈给边缘设备,数据传输时的网络波动和传输中断问题无法避免,增加隐患,影响服务质量。多接入边缘计算（MEC）通过在网络边缘部署小型数据中心,在临近数据终端的地方为用户提供计算服务,能够有效降低对公网传输的依赖,充分利用边缘设备资源,提高网络整体资源分布式处理能力,是车联网场景的合适解决方案。车联网场景下,计算任务被卸载到MEC服务器上执行,实现本地任务的边缘处理,弥补了本地设备计算能力不足和云端卸载成本高、服务不稳定的问题。MEC服务器的计算资源是有限的,且可能同时服务于多项任务,对资源的合理分配和制定合适的计算卸载策略对提升MEC服务器的计算效率至关重要。论文针对该问题,对车联网场景下的多接入边缘计算卸载策略优化问题展开研究,为不同场景下,车辆用户计算任务是否卸载、卸载到哪以及如何分配系统资源的问题探讨解决方案。首先,在MEC服务器和车辆组成的两层车联网架构（VMEC）中,引入博弈论的思想,将车辆间的资源竞争看作一个完全信息动态非合作博弈,提出了一种分布式计算卸载策略优化算法来求解。该算法的优点在于优化了计算卸载和资源分配方案,均衡MEC节点负载,以实现资源利用率的提升和用户卸载成本的降低。与全部任务本地执行和全部任务MEC执行两种卸载模式相比,该算法生成的卸载方案性能更优。其次,在云服务器作为新的计算资源加入时,提出了边云混合多接入边缘计算网络架构（ECH-VMEC）。针对通信模型和计算模型复杂性增加的问题,论文结合了 OFDMA和NOMA两种无线接入方式对无线通信过程进行建模,有效提升了频谱利用率。为了求解三层架构下的卸载策略优化问题,引入深度强化学习模型,设计了 MEC计算卸载和资源分配联合优化算法,将任务卸载过程建模为马尔可夫决策过程。实验证明,该算法与其他多种计算卸载方案相比性能更优。为了验证所提出的算法的可行性,为车联网服务提供技术参考,设计并实现了基于微服务的车联网MEC任务卸载原型系统。该系统构建了系统管理员和车辆用户两种角色,系统管理员负责MEC节点的实例创建、镜像部署、性能监测等任务;车辆用户可以上传任务信息到系统,通过调用所提出的卸载策略优化算法生成最优卸载策略。论文详细阐述了系统的设计方案和测试过程及结果,对相关领域的研究工作具有一定的参考价值。