车联网作为5G移动通信的典型应用场景之一,随着信息技术的发展以及新的业务需求,产生了一大批对计算能力和存储资源都有要求的汽车应用。但是,在目前的车载通信环境中,常规的任务迁移与资源分配方法难以满足实时路况、智能识别等新型车载应用的低时延、高可靠需求。移动边缘计算（Mobile Edge Computing,MEC）可以在智能交通等新兴车辆应用环境的网络边缘侧部署大量高性能服务器,终端车辆将任务卸载至MEC边缘服务器执行,能够有效减少各项任务的执行时延。因此本文在边缘环境中面向车辆自组织网络通信,并根据不同的使用情景,基于深度强化学习（Deep Reinforcement Learning,DRL）提出了两种不同的任务卸载方法。（1）针对单向车道多终端车辆应用场景,本文提出了一种基于深度Q网络（Deep Q Netwok,DQN）的任务优先级分类的时延优化任务卸载算法,使得终端车辆能够最大化任务的处理速率,减少用户任务的平均时延。首先,利用层次分析法（Analytic Hierarrchy Process,AHP）划分终端车辆服务的优先级,通过对时延约束和安全级别赋予更高的权重系数,保证应急任务的处理效率和服务质量。其次,根据任务预处理时间初始化和卸载服务。最后,基于任务优先级设计决策方法制定合理的计算任务卸载方案。仿真结果表明该算法能有效地提高系统的整体收益,减少用户任务的平均时延,有效提升终端用户的使用体验。（2）针对车辆集群的任务场景,考虑到终端车辆数量的增长会给MEC服务器节点带来一定的挑战,本文提出了一种基于车辆聚类的车联网边缘计算任务卸载算法。首先针对车联网集群场景构建了系统模型,并采用以终端车辆优先级为聚类特征的K-means聚类算法实现终端车辆聚类。通过车辆聚类,将优先级最高和最低的聚类分别分配为边缘计算和本地计算。对于集群中的典型车辆,通过DQN来学习最优的分布式计算卸载策略。仿真结果表明所提的算法大幅度降低系统任务的执行总时延。