近年来,随着物联网和智能汽车产业的快速发展,车联网逐渐成为智能交通系统的核心组成部分,导致了全球汽车数量和新型车载应用的剧增。智能车载终端和新型车载应用的大量涌现使车联网数据爆炸式增长。为了有效地将这些数据应用到人工智能（Artificial Intelligence,AI）算法,并降低云中心的深度学习模型的推断和训练时延,车联网边缘智能（Vehicular Edge Intelligence,VEI）作为一种新的智能范式被提出来。VEI把模型推断与训练下沉到距离产生源数据更近的车载终端和边缘服务器上。VEI落地的经典框架是车联网联邦学习（Vehicular Federated Learning,VFL）。VFL允许车载终端向参数服务器发送本地训练后更新的模型参数,而不是车辆产生的原始数据。VFL不仅可以减轻核心网络的负担,还可以缓解车辆隐私泄露的问题。虽然VFL具有上述优势,但是车载终端的异构数据（例如、数据数量、数据质量、数据类别分布、数据标签标记比例）和异构资源的特性严重影响了模型训练的性能。为了解决上述挑战,面向VFL的资源优化分配方法已经成为一个重要的研究方向。本论文运用人工智能方法和经济学工具（例如、博弈论、契约论、展望理论）设计异构数据驱动的VFL资源优化分配方法。主要贡献点如下:第一,在数据数量差异化条件下,利用两维斯坦伯格博弈激励车载终端贡献计算和通信资源提高模型的测试精度和降低训练时间,同时采用展望理论建模车载终端成本开支的不确定性带来的损失或收益。使用二维斯坦伯格博弈来建模车载终端和参数服务器之间的交互,交互的决策具有四元组类型（即中央处理器（Central Processing Unit,CPU）周期数、CPU周期数的单位奖励、传输速率和传输率的单位奖励）。采用展望理论中的概率加权效应对每种可能的计算和通信成本带来的每一种收益或损失进行建模。然后证明了斯坦伯格均衡点的存在。最后,设计了一种寻找斯坦伯格均衡点的贪婪算法。第二,在数据质量差异化条件下,利用二维契约论激励车载终端贡献数据数量和计算资源提高图像分类任务的模型测试精度和降低模型训练时间。针对图像数据的图像质量,我们利用一个几何模型量化车载终端的车速与运动模糊的关系,利用运动模糊等级来评估图像质量的好坏。同时采用资源消耗的参数来量化车载终端的计算能力。为了克服参数服务器不知道车载终端的图像质量和计算能力的问题,我们采用二维契约论设计了一种选择性模型聚合方法,以减少车载终端图像质量和计算能力差异化的影响。仿真实验证明了所提出的方法在模型的测试精度和聚合效率方面高于联邦平均算法。另外,仿真实验也验证了我们提出的激励机制优于现有的激励机制。第三,在数据分布差异化条件下,利用二维契约论激励车载终端贡献计算和通信资源改善VFL的可靠性。设计一个三因素指标来衡量VFL的可靠性,该指标同时反映VFL的学习可靠性、计算可靠性和通信可靠性。基于该指标,利用两维契约论激励具有高可靠性的车载终端贡献计算和通信资源来提高VFL的可靠性。硬件仿真实验显示具有低信息熵的车载终端能够提高学习可靠性。软件仿真实验验证了我们提出的激励机制在提高VFL可靠性方面是有效的。第四,在数据标签差异化条件下,利用多维契约论和展望理论激励车载终端贡献无标签数据服务于半监督的车联网联邦学习（Semi-supervised Vehicular Federated Learning,Semi-VFL）。首先,我们通过实验探讨了差异化的数据标签（即无标签数据量和有标签数据量）对Semi-VFL的性能影响。基于实验结果,提出了一个改进的Semi-VFL框架。在该框架下,车载终端使用应用提供商共享的小部分标记数据,以及他们自己的未标记数据在本地更新应用提供商发布的全局模型。另外,我们将多维契约论与展望理论相结合设计了一种激励机制来激励车载终端贡献无标签数据来提高Semi-VFL任务的测试精度。基于CIFAR10数据集的实验结果表明的Semi-VFL的精度高于其他两种现有方案的精度。同时,我们提出的激励机制优于现有的三种激励机制方法。