本着“开发商用一代,预研下一代”的通信发展规律,我国5G技术在各个垂直行业进行了广泛商用,“5G+工业互联网”逐渐赋能产业。车联网作为现代工业化程度最密集的产业,面向未来6G愿景,将是以人工智能、边缘计算等技术对“5G+车联网”进行拓展。一方面,车联网作为通信基础架构支撑智慧交通系统,是解决城市交通困境的有力举措;另一方面,车联网资源分配优化体现绿色交通理念,符合“碳达峰、碳中和”的愿景。因此,本文利用超图划分和深度强化学习方法对车联网资源分配问题进行研究。首先,在网络架构和模型上,本文针对现有单一车辆建模、场景趋同等弊端,设计了泊松线性Co X点过程对车辆、路边设施单元和道路进行联合建模,三者的联合建模能更加细粒度刻画车辆的高动态特性。进一步,分析车辆节点接入准则,包含三种典型干扰链路分布和叠加效应,并对高稳定性车联网的覆盖性能进行分析。其次,针对高速公路车联网场景,结合车对车（Vehicle-to-Vehicle,V2V）通信和终端直通（Device-to-Device,D2D）技术的相关性,V2V链路复用车对基础设施（Vehicle-to-Infrastrcture,V2I）链路来提高频谱资源利用率。对衍生出的同频干扰和单一链路占用多资源块等问题,本文提出了超图划分成簇、带权3维匹配资源分配设计方案。仿真结果表明,分簇设计达到了减少簇内干扰的目的,簇的聚类特性能更灵活地最大化复用V2I资源。最后,针对城市街道车联网场景,将计算任务卸载时效性和到达率作为评价车联网资源分配高效性的指标。考虑城市街道视距/非视距模型,提出了多智能体深度强化学习任务卸载方法,由卸载节点的覆盖概率来确定预配对节点数量。利用边云协同和线性Q函数分解原理,将智能体决策记录作为经验上传到云端,云端反馈更完备的神经网络模型辅助智能体决策。仿真结果从功耗和时延角度验证了计算任务卸载的有效性,满足低延时高可靠性的需求。