随着通信需求的日益增加,车联网中可用频谱资源支持的大量无线移动通信面临着很多挑战。此外,城区环境中车辆的快速移动以及可用资源的不充分利用都会导致车联网通信链路质量的下降。为此,如何提高频谱资源利用率以及车联网通信质量是车联网亟待解决的问题,而且,车辆通信传输数据中包含着丰富的有价值的信息,有效地挖掘和充分地利用这些信息可以为车联网通信带来重大的福利。因此,本文从车联网通信传输数据相关性、车辆距离、信噪比方面作为切入点,重点研究基于聚类的网络通信架构以及车辆通信模式调度问题。本文提出一种根据车联网中传输数据的相关性进行聚类的通信算法(DCVC)。该算法通过PCA、CCA以及Kullback-Leibler divergence(KL-散度)思想分析车辆之间以及聚类之间的传输数据的相关性,并将传输数据相关性高的车辆分到一个聚类进行资源共享,该算法借助车辆传输数据相关性和网络数据共享最小化对网络进行网络聚类。然后,本文提出了一种提高车辆稳定性的网络通信算法CSMC。CSMC在上述DCVC算法结果基础上再结合传输数据相关性和车辆距离对网络架构进行调整,CSMC调节后的网络架构具有较高的稳定性。仿真实验评估结果显示本文所提出的算法在网络稳定性,平均端到端通信延迟和丢包率方面的有较好的性能。本文提出了一种基于天地一体化的多层聚类通信算法(MCSIC)。在具有最大传输机会以及最小邻近通信干扰的条件下,网络中的移动基站和终端能够在通信链路上进行稳定性通信。MCSIC根据不同情况下的数据相关性、信噪比、距离因素将网络架构分成四层,并在此基础上提出了一种车辆通信调度算法,此调度算法结合了通信状态向量以及每个聚类级别的综合相关性。仿真实验对MCSIC在频谱利用率、平均频谱等待时间、丢包率和模块性四个方面进行评估分析。本文所提出的三种算法都是基于传输数据聚类的网络通信模型。DCVC和CSMC是基于聚类的网络资源调度最小化模型,MCSIC是基于聚类的网络通信调度模型。仿真试验结果表明算法在不同方面的有效性。