随着云计算技术的快速发展,车载网络与云计算技术的结合也日趋紧密,出现了各种车联网及智能交通应用。然而,在利用云平台为车载网络应用提供服务的同时,目前的车联网研究也存在诸多问题。首先,车联网中数据收集模式单一,且数据冗余较大,传输成本高;其次,云端服务器与车载网络相隔遥远,由于网络带宽、传输错误等因素导致传输延迟,实时性无法保证;最后,由于用户数据处于共享的商业环境中,隐私泄露风险极高。边缘计算具有本地部署、靠近用户、低时延等特点,可以对车辆节点资源进行高效和直接管理。本论文研究了车联网中基于边缘智能的适应性数据处理方法,从网络服务质量（Qo S）评估和数据收集、数据清洗以及隐私保护三个方面,分别提出针对车联网数据问题的解决方案,实现车联网的实时高效数据处理。具体而言,本论文的研究工作主要包括以下几个方面:（1）为有效解决车联网应用多样的服务质量和数据收集需求,提出了基于模糊逻辑的适应性数据收集方法。首先建立了基于智能模糊系统的车联网服务质量评估模型,设计了两级模糊系统,分别进行Qo S参数的推理和全局Qo S评估。接着,针对三种不同的服务类型和两种不同的执行模式进行详细的评估方案设计,并选取更接近真实车联网场景的执行情况进行仿真,根据仿真案例情况进行模糊规则的制定。最后,根据Qo S评估结果提出了基于边缘计算的适应性数据收集和上传策略。实验结果表明,所提出方案可以实现车联网系统中的整体性能评估,并有效提高数据收集的适应性。（2）为有效解决车联网系统中数据冗余问题,提出了基于图像指纹和深度学习的数据清洗方法。首先,通过对图像进行压缩和灰度处理后仅保留图片低频部分的信息,同时根据车联网的数据特点改进压缩技术,接着计算哈希值得到图像指纹,以此进行数据相似性检验,确立相似度基准线,灵活地控制相似图片的筛选。最后,利用半监督学习算法对数据相关性进行验证,先用有标签数据集构建卷积神经网络,经过多组数据不断纠错和调整后下放至边缘节点,进一步减少冗余数据。实验结果表明,所提出的系统识别精度几乎接近于监督学习下的数据清洗系统,但延迟降低至该系统的11%。因此,基于边缘计算和深度学习的数据清洗方案显著降低了上传到云端的数据量,同时有效降低了数据处理和传输的延迟。（3）为有效解决车联网用户数据隐私泄露问题,提出了基于联邦学习的分层同态加密方法。将Paillier和RSA的加解密部分拆分,分别部署在车节点和边缘层中,同时把对应的密钥分布式存放。加法同态在车辆节点和边缘服务器上完成,云服务器对模型参数中需要更新的部分进行乘法同态加密,这使得非本地端可以直接对密文进行操作,无需暴露明文。这不仅加强了私密数据的安全性,也提高了学习效率。此外,还设计了一种全新的节点选择策略,即分布式数据流抽样算法。它保证了诚实节点能最大可能参与模型训练,提高了系统的识别准确率。实验证明,该方案在安全性和准确率上有非常突出的表现。