车联网作为5G、交通和汽车领域跨界融合且最具潜力的应用,已成为我国战略性新兴产业的重要发展方向。道路安全、交通效率、自动驾驶和信息娱乐等各类车联网应用提出了低时延、高可靠、大带宽、高移动性等新的移动通信需求与挑战。本文主要解决车联网中的三个关键挑战:如何确保与交通相关的数据安全?随着移动互联网数据流量激增,如何保证车联网数据安全、可靠、稳定传输?如何利用有限的存储空间设计高效的缓存策略?本文主要聚焦解决三个挑战中的关键问题:第一,基于机器学习的入侵检测技术逐步应用到智能车联网上,但仅仅是对异常消息记录的检测识别并不一定能识别出真正的恶意车辆。第二,车辆联网信息交互带来海量数据,分簇能够改善交通信息收集与分发效率,但簇内数据传输优化的研究较少。此外,热门内容多次重复下载会增加回程链路负载,缓存技术通过将热门内容缓存在距离用户终端更近的路边单元（Road Side Unit,RSU）和车辆上,能够有效降低获取时延和传输成本。但现有的车联网缓存方案大多考虑RSU和基站（Base Station,BS）缓存,没有充分利用移动的车辆本身的缓存空间。本文针对以上问题,通过不同场景下的建模、仿真分析,深入开展车联网数据传输与缓存策略研究。主要贡献如下:（1）基于仿真数据搭建并训练好入侵检测系统。针对RSU部署少的场景,提出基于模糊逻辑的智能检测系统部署方案,基于设定阈值能有效识别出恶意车辆。（2）基于复杂网络理论,针对城市交通数据业务收集与分发场景,为了减少整个网络信息传输负载,提出基于广义距离的分簇算法、基于模糊逻辑的簇头选择算法和簇内数据传输优化模型的车联网综合通信优化方案,能有效提高簇内网络吞吐量并降低传输时延。（3）拓展现有车联网单层缓存方案,推导平均内容传输时延和平均内容传输成本。充分利用车辆及RSU的缓存容量,建立最小化平均传输时延和成本的优化问题。提出交替动态规划搜索算法和低复杂度合作贪婪算法求解优化问题。同时,基于MK5平台开发内容传输系统并实现系统原型。经过仿真和实测数据验证,所提的缓存策略能够有效降低内容传输时延和成本。