视频信息为车辆的智能化和网联化提供了丰富的信息,视频数据中包含的信息需要通过内容理解与分析来获取,这使车联网视频内容的理解与分析逐渐成为一种趋势,提高视频内容理解的精度成为推进车联网发展的重大挑战。同时移动边缘计算（Mobile Edge Computa-tion,MEC）的发展为车辆提供了大量的计算资源,弥补了车辆计算能力的不足,因此如何利用移动边缘计算来提高视频内容理解精度成为重要的问题。车联网中的移动边缘计算注重于在移动网络的边缘提供云计算能力和信息技术服务,其被认为是推动智能网联车发展的关键技术。车联网中的移动边缘计算主要分为两个方面:计算任务卸载以及资源分配。如何进行计算任务卸载与资源分配将影响视频内容理解的性能。目前关于计算任务卸载以及资源分配已经存在了大量的研究,如基于服务质量（Quality of Service,QoS）或基于用户体验质量（Quality of Experience,QoE）的方案,然而这些方案无法充分利用有限的资源以满足车辆对于视频内容理解精度的需求,因此无法很好的支撑车辆的智能网联化。针对上述的问题,为了提高视频内容理解的精度以适应车辆智能网联化的发展,本文提出了内容驱动的计算任务卸载与资源分配方案,通过对车辆采集视频信息进行预处理,并构建视频内容的重要性模型作为依据指导计算任务卸载与资源分配。主要研究内容如下:第一,针对车联网中视频内容理解任务的计算任务卸载决策问题,提出了一种内容驱动的计算任务卸载决策算法。首先,分析了视频内容理解任务与边缘服务器状态的关系,量化了计算任务卸载决策系统效用,随后构建了相应的时延能耗模型,最终将视频内容理解任务的计算任务卸载决策问题转化为混合整数线性规划问题（Mixed-Integer Nonlinear Programming,MINLP）。为了求解该问题的最优解需要涉及海量状态的决策,本文选择了基于强化学习的MCTS算法,通过改进置信度上限算法来帮助对状态下的动作进行选择,并且采用了通过深度神经网络（Deep Neural Networks,DNN）预训练状态转移概率的方法对于该算法进行了改进。最后通过仿真证明了所提出的算法降低了算法复杂度、提升了收敛速度,并且提高了系统的效用以及视频内容理解任务的精度。第二,针对车联网中视频内容理解任务在上传和处理过程中的计算任务卸载以及资源分配问题,提出了一种内容驱动的计算任务卸载与资源分配联合优化算法。首先建立了计算任务卸载决策以及资源分配与视频内容理解任务精度之间的优化模型,并根据优化模型量化计算任务卸载决策与资源分配在视频内容理解任务下的效用,构建了一个多目标优化问题,根据计算任务卸载决策、通信资源以及计算资源分配的效用,通过最大限度地提高车联网中计算任务卸载与资源分配系统的总效用来提高计算任务卸载与资源分配的有效性。随后将车辆的计算任务卸载决策以及资源分配的联合优化问题构建为马尔可夫决策过程（Markov Decision Process,MDP）。为了解决此MDP,考虑到上述联合优化问题中存在巨大的状态空间和动作空间,本文使用基于深度确定性策略梯度算法来进行处理,仿真结果表明相较于其他深度强化学习算法该算法具有更快的收敛速度和更好的学习性能。相较于深度强化学习（Deep QNetworks,DQN）等方法中需要大量步骤才能达到接近最优策略不同,该方法以较少的学习步骤达到了更高的系统效用,并且有效的利用了边缘侧的通信资源与计算资源。