近年来,智能交通行业蓬勃发展,对于车联网中车辆终端所请求任务的处理性能不断提高。但传统云计算的大数据系统架构无法满足智能交通系统（Intelligent Traffic System,ITS）应用程序的低延迟要求,针对其弊端,将移动边缘计算（Mobile Edge Computing,MEC）集成到通信网络架构中可以提高车联网中复杂任务的处理能力,同时降低任务的处理延迟。但是常规的任务卸载方式大多是在移动边缘计算服务器上执行,并且对卸载任务的类型没有较为明确的分类。在这种情况下,如何设计一种有效的卸载决策以充分利用本地资源和服务器资源成为亟待解决的问题。本文研究了车联网环境下基于移动边缘计算的任务卸载算法优化。主要研究内容如下:首先,针对目前移动车辆终端计算资源不足难以满足可靠性和低时延需求的问题,引入软件定义网络架构实现资源集中控制和分配,同时将计算资源分配和任务卸载决策变量作为可调参数,建模为网络时延和能耗的加权和最小化的优化问题。由于该问题是一个NP-hard优化问题,采用次优方案将其分解成两个子优化问题进行求解,提出一种基于分支定界法的任务卸载算法,该算法采用拉格朗日乘数法求解计算资源分配问题,以安全消息任务的最大容忍时延为优先级进行排序,运用分支定界法得到最优的卸载决策。仿真结果表明,本文所提出的基于分支定界法的卸载算法与传统任务卸载算法、能量最优卸载算法相比,其处理时延均有降低。其次,考虑到现有工作中将任务卸载建模成二选一问题（即本地计算或卸载到MEC服务器）、缺乏灵活性的缺点,本文假定任务可分割并同时优化任务分割因子和卸载决策,将MEC系统目标建模为最小化时延和能耗加权和的优化问题。接着,提出基于Q学习的部分卸载算法,具体而言,该算法首先根据时延和计算资源需求对车辆终端进行分类,将时延极其敏感的任务放在本地卸载,将需要计算资源量大的任务卸载到MEC服务器进行计算,然后将剩下的任务进行部分卸载,运用Q学习得到最佳的卸载决策。仿真结果表明,本文提出的分类部分卸载算法极大地降低了算法复杂度。