5G移动蜂窝网络高可靠低时延通信(Ultra Reliable&Low Latency Communication,u RLLC)场景极大推动了车载自组织网络(Vehicular Ad-hoc Network,VANET)的发展。VANET作为物联网最具有发展潜力的领域之一,在智慧城市、安全驾驶和车载娱乐等方面具有广阔的应用价值。VANET交通场景中,节点高速移动,导致节点间链路生存时间短,网络拓扑变化频繁。针对这一问题,本文就VANET组网技术中的分簇技术以及路由技术展开研究。首先,本文提出了一种基于链路可靠性和稳定性的车辆分簇算法(Reliability-and-Stabilitybased Clustering Algorithm,RSCA),用来缓解车联网中节点高速移动导致的网络拓扑不稳定问题。该分簇算法首先根据车辆节点的位置信息、行驶方向建立初始分簇,通过计算簇内节点的入簇因子值对节点进行去留的判断;然后依次计算分簇后车辆节点的邻居节点数、平均相对速度以及链路存活时间,根据节点间链路存活时间计算节点的相对可靠性,根据节点的邻居节点数、平均相对速度计算节点的稳定性;最后利用模糊理论分别将车辆节点相对可靠性以及车辆节点在分簇之中的稳定性实现为模糊化隶属函数,选择合适的簇头以及备用簇头。MATLAB仿真结果表明,本文所提的RSCA算法与随机分簇算法以及基于运动一致性的分簇算法(Movement Consistency-based Clustering Algorithm,MCBC)相比,在簇头持续时间以及簇头更化率方面有着更好的性能。其次,本文提出了一种基于位置信息的强化学习路由协议(Position-based Reinforcement Learning Routing Protocol,Pb RQR),用来缓解车联网中节点高速移动带来的路由不稳定问题,以及多节点路由转发带来的数据延时问题。该路由协议通过强化学习中的Q-learnng算法,对车联网的拓扑结构进行学习,当前车辆节点在选择下一个转发节点时需要同时考虑基于节点质量的奖励值以及基于节点位置信息的奖励值。车辆节点需要长期维护和更新Q值表,主要包括了两个方面的内容,其一是智能体(车辆节点)根据强化学习中的Q-learning算法对邻居节点进行质量评估,通过迭代维护和更新Q值表中邻居节点对应的Q值;其二是智能体需要转发数据时,结合Q值表以及邻居节点和目标节点间的位置信息选择下一个转发节点。MATLAB仿真结果证明,本文所提的Pb RQR路由协议与AODV(Ad hoc On-Demand Distance Vector Routing)以及GPSR(Greedy Perimeter Stateless Routing)路由协议相比,在路由持续时间、路由跳数方面具有更好的性能。