物联网（Io T）的普及和第五代（5G）相关技术的蓬勃发展推动了智能汽车的发展,从而促进了增强现实和定位服务等车载多媒体应用的兴起。虽然通过车对基础设施通信（V2I）可以缓解多媒体应用程序所带来的大量计算和分析压力,但是由于车辆的机动性和计算资源有限,车载设备的功能以及管理机制低效,单纯的依靠车辆互联网（Io V）仍然面临许多挑战。因此亟需一种可以做到将计算密集型任务在代理（例如固定位置云计算中心和附近的车辆）之间根据剩余资源的多少进行任务负载均衡的解决方案,而移动云计算的出现很好的胜任了这个角色。虽然移动云计算可以灵活地利用机会性车对车通信（V2V）技术,但是如果没有良好的卸载策略,车辆终端将无法在链路的可持续连接时间内处理完任务,也无法为车辆用户提供令人满意的体验质量（Qo E）。因此,应采用自适应分布式算法来处理车辆云计算场景的动态网络拓扑结构,本文分别从车辆之间相互协作和车辆与基站形成对等连接两个方面对计算卸载问题进行了研究。（1）首先,本文提出了一种基于延迟和公平感知的在线卸载方法,该方法考虑到了任务到达的随机性、由车辆移动导致的动态拓扑结构、需要保证两种容忍延迟以及终端之间体验质量公平性这四个问题。由此设计了一个旨在每个车载终端延迟和收益约束下,用公平偏差参数化的效用函数以平衡整体体验质量和公平之间权衡的在线算法。通过引入延迟感知和收益约束的虚拟队列,并利用李雅普诺夫（Lyapunov）优化技术将目标函数转化为penalty-plus-drift的最小边界问题,以达到根据实时的网络和队列状态信息,来分布式地制定卸载决策的目的。（2）其次,本文研究了基于对等连接的价格感知计算卸载方法,其核心思想是通过联合优化长时间尺度下终端-路边基础设施（RSU）关联决策和短时间尺度下计算卸载决策,以最小化终端在容忍延迟、能耗、功率以及服务器计算能力约束下的资源购买成本。本文将其建模为一个李雅普诺夫penalty-plus-drift边界最小化问题,并分三阶段求解该问题。首先将目标函数与队列稳定性结合构建李雅普诺夫drift函数,以转换为求解边界最小值;其次,在给定V2I链路传输功率的情况下,将终端-RSU关联问题构建为多对一的匹配问题,并设计一个阻塞交换对算法求解;最后,在终端-RSU关联问题求解的基础上,利用拉格朗日乘子法对传输功率和计算资源的分配进行求解。（3）最后,本文对所提出的方案进行了实验验证。针对基于延迟和公平感知的在线卸载方案,本文分析了在线环境下不同参数对系统效用、公平性指数和任务划分比率的影响,并在系统效用和平均队列积压方面与两种基准算法做了比较。针对基于对等连接的价格感知计算卸载方案,本文验证了在不需要系统先验知识的情况下,通过双时间尺度控制算法可以更好地实现终端和RSU的协作计算,并在降低系统成本方面取得了不错的性能。