随着车联网和无线通信技术的飞速发展,智能交通系统在提高城市道路安全、感知城市信息、提高服务质量和控制网络成本等方面发挥着重要作用。此外,在车联网环境下其网络所具有的固有拓扑特点使得车联网研究在目前主要存在着两个方面的问题:一是由于车联网的网络节点的移动性导致网络内车辆的身份认证不够精确;二是由于车联网中庞大的用户数量导致了感知信息的上传路由复杂度和信息冗余度大幅增加。因此,对高速驾驶环境下的车辆的动态安全认证和感知信息的上传和处理进行进一步的探索和研究是必要的。针对上述问题,有学者提出了将车辆雾作为网络安全认证和信息感知的载体。但是,目前对这些问题的研究仍存在大量不足,包括缺少合适的双向安全认证方案和感知信息的冗余处理机制。因此,本文对上述两个问题进行了深入分析并提出了相应的解决方案,主要贡献及创新点包括以下两个方面:(1)针对构建车联网内安全车辆雾的问题,本文提出了一种基于安全椭圆曲线的车辆双向身份安全认证方案。首先,根据车辆的行驶特征将车联网分为若干个雾,并建立基于雾的双层身份认证机制(Fog-based Identity Authentication,FBIA)。然后,在面向车辆雾外用户的安全认证层上提出了基于车辆身份的双向安全认证算法。最后,在面向车辆雾内用户的安全检测层上提出了基于机器学习的车辆异常行为检测机制。经仿真测试验证,本文提出的FBIA方案能够对雾首和雾内车辆同时进行身份安全认证,对认证精度和对车联网中高速移动的网络环境的适应性都有显著提高。(2)针对基于安全车辆雾的信息感知问题,本文围绕感知机制的优化和数据处理,提出了一种双层感知模型。首先,在路由层建立了基于车辆雾的加权图模型,并提出了一种新的路由策略优化算法,使每辆车的节点利用率达到最大。然后,在数据处理层提出了任务分配的优化算法,以降低整个雾中的资源消耗并最大化雾内的资源利用率。最后,在感知信息的中继节点上提出了冗余信息的过滤算法,减少了因多车辆采集到的感知信息可能重复而导致网络中存在许多不必要的通信流的问题。经仿真测试验证,本文提出的双层感知模型能根据不同的节点和链路负载对路由策略和感知任务分配进行动态优化,从而极大的提高了网络资源利用率。