随着车辆数目的快速增加以及车辆智能化需求的不断增强,资源受限车辆所产生的计算密集型任务影响着车辆用户的服务体验。过去通常利用云计算为资源受限车辆提供计算和存储等资源,车辆终端通过将计算任务上传至云服务器,云服务器根据用户需求为计算任务分配可用资源并由云服务器代理执行的过程称为计算卸载。计算卸载的主要目的是降低本地设备的任务完成时间。然而传统的云计算存在着执行成本高、带宽资源有限以及云端负载严重等问题。在车载计算环境下,按照是否有基础设施支持主要将车载云计算划分成有基础设施支持的车载云及由异构车辆自行组成的车载自组织云。由于车载自组织云的高动态性,导致了计算卸载过程中车与车的通信环境变化频繁,进而可能致使任务完成时间过长。在车载自组织云的计算卸载过程中,如何选择最合适的目标节点进行计算卸载是保证任务高效执行的关键,基于泛洪的计算卸载算法可以有效地解决目标节点选择对计算卸载的影响,但该算法会造成资源的过度浪费,故如何在减少资源占用率的前提下,合理的使用现有资源为资源受限车辆提供优质的计算卸载服务是本文的研究重点。为解决降低资源占用率和提升计算卸载性能这2个问题,本文的主要工作如下:(1)对比分析了有无DTN支持的车辆自组织云的计算卸载效果,证明了DTN技术能够有效的保证任务完成时间;(2)对比分析车载自组织云中的随机卸载、最小执行时间、最小跳数算法,引入了基于路径可预测、基于部分泛洪和基于泛洪的计算卸载算法从而提升计算卸载性能;(3)为了降低资源占用率,提出了基于部分泛洪的算法,对比分析了基于路径可预测和基于泛洪的计算卸载算法。实验结果表明:(1)就任务等待时间和任务完成时间两项指标,基于DTN的车载自组织云中的计算卸载相较于无DTN支持的车载自组织云分别节省了56.76%和40.88%;(2)就任务完成时间,基于路径可预测相较于随机卸载算法、最小执行时间算法、最小跳数算法分别提升了 12.53%,15.20%,9.00%;基于部分泛洪的卸载算法相较于ROL、MET、MH等算法分别提升了 19.49%,21.95%,16.24%;(3)就任务完成时间,部分泛洪算法相较于基于路径可预测算法提升了8.00%;就资源占用率,基于路径可预测算法相较于部分泛洪提升了35.46%。