近年来,蜂窝车联网(Cellular Vehicle-to-Everything,C-V2X)技术凭借与现有蜂窝网络兼容这一特性受到学术界越来越多的关注。然而车辆数目的急剧增多,车联网业务流量需求快速增长,使得现有授权频段的频谱资源日益紧张。为了应对该挑战,基于C-V2X技术的车辆网络可以和基于专用短距离通信(Dedicated Short Range Communications,DSRC)技术的车辆网络共享使用智能交通系统(Intelligent Transportation System,ITS)频段,从而增加C-V2X网络的可用资源。另一方面自动驾驶、增强现实(Augmented Reality,AR)和虚拟现实(Virtual Reality,VR)等新兴应用一般涉及到复杂的计算且对时延要求很高,而车辆终端的计算能力有限。移动边缘计算(Mobile Edge Computing,MEC)技术可以将云端的计算能力部署到车辆网络边缘,以满足车辆计算密集型业务卸载需求。论文针对C-V2X网络和DSRC网络之间的频谱共享以及车辆边缘计算(Vehicular Edge Computing,VEC)系统中基于V2V(Vehicle-to-Vehicle)和V2I(Vehicle-to-Infrastructure)通信的计算卸载问题展开研究。首先,我们研究了车联网中多运营商的频谱共享问题。为了估算随时间变化的CV2X和DSRC的网络负载,我们提出了一种车辆用户服务质量(Quality of Service,Qo S)评估机制。为了避免网络虚假出价以获取收益,我们使用Vickrey-Clarke-Groves(VCG)反向拍卖机制让网络出价真实地反应该网络目前负载情况,确保车辆用户可以做出合适的网络接入选择。此外,为了达到更好的频谱效率和保障车辆用户Qo S,我们提出了一种基于载波侦听自适应传输(Carrier-sensing Adaptive Transmission,CSAT)机制的频谱交易算法,C-V2X和DSRC网络可以通过该算法协商频谱共享。仿真结果验证了频谱交易算法的有效性,并揭示了车辆密度和传输速率对车辆用户Qo S的影响。然后,我们研究了VEC系统中基于V2V通信的计算卸载可靠性问题。相比于传统任务复制思路将计算任务复制成多份然后分别卸载到多个服务车辆,在这里任务车辆能够依据它和服务车辆之间V2V链路的连接时间将计算任务和通信资源合理地分配给它附近的服务车辆,避免任务复制所带来的车辆计算效率下降。具体地说,我们建模了一个目标为最小化任务完成时延的计算任务和带宽分配的联合优化问题,该问题同时含有计算卸载可靠性约束。为了解决该非凸优化问题,我们利用罚函数(Penalty Method)和凹凸过程(Concave-convex Procedure,CCCP)方法,提出了一个两层迭代算法。仿真结果证明该算法可以较快收敛,对应的任务完成时延约只有任务复制思路的30%。最后,我们研究了VEC系统中基于V2I通信的通信和计算资源联合分配问题。将VEC服务器的资源分配问题建模成一个拍卖过程,给出了车辆和VEC服务器各自的效用函数。车辆依据效用函数独立地决定卸载任务比例,以及向VEC服务器购买的通信和计算资源量。通过分析车辆效用函数,推导出车辆所请求资源随着资源价格减小而单调不减这一性质。设计了基于减价拍卖的VEC服务器价格选择算法。仿真结果证明了所提算法的有效性。