近年来,随着汽车保有量不断增长以及以自动驾驶、车载多媒体服务等为代表的计算密集型任务的兴起,车载网络中对于车辆任务处理性能的要求在不断的增加。但传统的云计算体系架构已经无法从容应对当前复杂车载网络环境的挑战,针对传统云计算的弊端,通过部署更靠近车辆终端的边缘节点,提高车载网络中复杂任务处理能力,缩短任务处理延迟,已经成为一种更加有效的方法。当前,车载网络中基于边缘计算的资源与服务动态分配优化问题已成为车联网以及智能交通系统领域的研究热点之一。本文针对车载异构网络环境,重点研究基于移动边缘计算的动态服务分配算法。主要研究内容如下:首先,针对车载边缘网络中产生的任务多种多样且存在较多相似性的问题,本文提出一种车载边缘网络中基于任务依赖性的聚类算法。该算法对于车载边缘网络中车辆到达与任务生成的复合任务模型进行聚类处理,通过构建有向无环图的任务处理模型,根据目标任务本身及选定任务之间共享最近邻的标准化加权数设置数据矩阵,对于任务进行相关性学习,进一步构建任务集之间的相关性,并以任务之间依赖的最大值为依据进行聚类处理。此算法能够对到达的任务进行划分聚类,避免高相似任务的重复处理,简化边缘服务器所需任务的复杂度。仿真结果表明,该聚类算法在聚类时间与精准度方面优于传统算法,能够缩短聚类时间,提升聚类精准度,并能够适用于车载网络环境,相较于未经聚类的任务处理,延迟缩短了近30%,能耗方面也降低了约20%。其次,针对边缘服务器的计算能力有限的问题,提出一种车联网中基于移动边缘计算的任务适配算法。该算法通过多次多项式迭代求解凸优化问题用以增加可在边缘计算网络中处理的输入任务的数量,周期性的适配边缘计算网络中的传入任务,用以增加边缘计算网络中可以处理的任务数量,并通过线性规划简便本文的方案。此算法能够动态调整云服务器与边缘服务器之间的任务负载,充分利用云服务器与边缘服务器各自的优势。仿真结果表明,该算法能够提高车联边缘网络中任务的处理效率,达到节省能量消耗,提升用户体验的目的,均衡云服务器与边缘服务器之间的处理能力,对于处理车联网中数目庞大的到达任务而引发的服务器过载问题起到了较好的效果。