近年来伴随着C-V2X（Cellular Vehicle to Everything）等车联网技术的快速发展,自动驾驶和智能驾驶等智能交通业务需求不断增加,催生了一系列延迟敏感型、计算密集型的车联网智能应用。云计算架构因为日渐拥塞的回程链路和距离用户过远导致的服务响应延迟而难以满足智能交通要求的高可靠低时延。移动边缘计算（Mobile Edge Computing,MEC）应运而生为新的技术应用范式,引起了广泛关注。将计算资源下沉到边缘降低了计算迁移带来的响应延迟,但车辆终端的移动性、广泛性以及频谱资源受限等问题给车联网边缘计算迁移机制的设计带来了诸多挑战。在对车联网边缘计算系统的场景需求和系统特征进行详细分析的基础上,设计适用于车联网的边缘计算迁移机制,是发挥移动边缘计算系统效能并进一步实现高效、安全的车联网生态环境的前提。目前已有研究多数受云计算和传统边缘计算系统建模的影响,没有很好地分析并利用实际车联网场景中车辆移动性特征及分布式通信资源和算力的特点,仍然存在较多可以提升效率的空间,因此,本文围绕现实需求与场景特征完成了以下研究内容:首先,本文依据车辆终端的广泛性和移动性特征,设计了可以提升计算迁移过程中数据传输效率的MEC-D2D（Device-to-Device）协作传输机制。针对车联网频谱资源稀缺现状采用可分级调制技术实现复用传输,并基于用户与D2D辅助、MEC服务器三者之间的差异化信道条件,设计了不同网络拓扑下的传输效率最大化MEC-D2D协作传输机制。分析了单用户吞吐量和全局用户平均吞吐量,基于仿真结果验证了该传输机制可以显著提升迁移中的数据传输效率。其次,针对车辆分布较稀疏的郊区场景,以增强用户续航能力为目标设计了最小化用户能耗的迁移机制。考虑到车辆移动性会造成用户在计算迁移时面临着外部通信资源的动态变化,基于典型业务特性对动态场景下传输资源和迁移策略的联合优化问题进行建模并求解,所形成的迁移机制不仅包括任务的0/1迁移决策,也进一步包含了迁出路径和迁出的传输方案的决策。仿真对比验证了该迁移机制在关键性能指标上的高效性。最后,针对服务器资源受限的车辆密集场景,设计了最大化系统承载能力的迁移机制。针对系统内全局资源,包括多用户的计算和通信资源、服务器计算资源进行联合管理和分配,提出了基于MEC-D2D协作计算的部分迁移业务处理模型,并建立了对应的混合整数规划问题。使用拉格朗日乘子法求解了联合迁移策略和资源分配的问题,进一步基于遗传算法求解D2D配对问题,降低了算法复杂度。仿真对比验证了所形成的迁移机制在资源利用率和全局用户成功率方面的高效性。