车载内容中心网络是一种将内容中心网络概念应用到车载网环境下的网络架构,作为其基本特征的网络缓存使得缓存数据在多个节点间的共享成为一种高效数据访问方式。然而车辆的移动性和连接的稀疏性问题使得车辆与车辆之间缺乏良好的协调,导致各个节点缓存的内容冗余度高,缓存空间利用效率低下,路边单元（Road Side Unit,RSU）只能被动地处理来自车辆的请求,难以主动为车辆提供服务,无法充分发挥RSU的缓存能力。为解决以上问题,提高缓存服务效率,本文首先设计了一种基于移动性预测和一致性哈希的协作缓存策略（CCMPCH）,通过部分匹配预测（PPM）来预测每辆车的路径,并将移动特征相似的车辆聚类为簇;在每个簇中,使用一致的哈希算法在协作节点上实现内容分配,并提出了一种基于流行度的缓存替换策略,通过引入偏好常数来提高协作内容的优先级。为进一步提高用户的使用体验,本文设计了一种基于联邦学习的RSU预缓存策略（PCFL）以更高效地调动RSU的服务能力,利用深度强化学习对RSU缓存环境进行建模和学习,由部署在RSU上的智能体做出缓存决策,进一步利用联邦学习架构在远程服务器对RSU训练出的模型进行聚合,并且设计了依赖于Q值的邻近RSU缓存去重复的机制。本文通过大量的仿真对所提出的车辆协作缓存方案和RSU预缓存方案进行了评估,根据缓存命中率、内容访问时延、跳数以及全局缓存内容数等多个性能指标,在不同网络环境配置下对两个方案进行了全面的数据分析。仿真结果表明,与其他最先进的方案相比,本文提出的两个方案能够有效提升缓存服务性能和用户体验。