近年来,随着社会和科技的不断发展,城市交通情况日益复杂,这造成了车联网的高时变特性和全局信息的缺乏,使得车联网中的任务调度和资源管理成为一个具有挑战性的难题。本文考虑车辆不同场景下的行驶特征和任务需求,提出一套基于边缘计算的智能车联网资源分配策略,实现网络资源与车辆任务之间的动态匹配,提升网络服务质量。首先,针对直线驾驶场景,本文提出一种多层车联网资源分配模型,它采用基站和路侧单元合作的模式动态地协调边缘计算和内容缓存功能模块,以提高车联网服务性能。在此框架的基础上,考虑运营商效益和用户体验质量建立联合优化问题,创新地改进深度强化学习方法,制定迁移感知的智能车联网联合资源分配策略。其次,针对十字路口场景,本文提出一种边缘协同的车联网资源分配模型,它采用多路侧单元协作卸载的方式,充分利用车联网中的空闲资源,在能耗受限的情况下最大化车联网服务性能,目标是最小化网络延迟。本文提出一种在线框架将长期优化问题转化为在线优化问题,并证明了该框架可以获得接近最优的性能;此外,本文提出一种基于模仿学习的分支定界算法来加速问题求解过程,降低车联网系统成本。最后,基于真实交通流数据的仿真实验表明,本文提出的资源分配策略能够适应5G大数据场景下的智能交通系统;和现有的方案相比,本文提出的方案能够大幅度提升车联网系统性能。