随着移动通信和物联网等关键通信技术的快速进步,车辆网络的发展和普及已经成为必然。车辆网络需要密集型基础设施部署以支持高计算能力和低延迟通信的服务,考虑到无人机的灵活性、移动性和快速组网等能力,将其应用到车辆网络中是一个很好的解决方案。然而,无人机的部署位置跟车辆用户的服务性能密切相关,且无人机受能量约束的限制。本文为了在车辆网络场景中灵活协同部署无人机,以增强车辆网络的覆盖性能,分别对静态和动态无人机覆盖增强策略展开了研究。论文的主要工作和贡献如下:本文提出了一种低时延的静态无人机覆盖增强策略。考虑到现实环境中存在许多不可预测的因素,特别是在无人机数量不足以直接覆盖所有目标区域的情况下,多架无人机的自主协调仍然具有挑战性,因此,提出了一种利用无人机飞行能力,并以最小化总服务时延为目标的无人机基站在车辆网络中的优化部署方案。该方案将地面车辆分为两类分别计算时延:在无人机覆盖区域内的车辆,服务时延等于通信时延,而没有在无人机覆盖区域的车辆,将额外增加飞行时延。在这种总时延下,使用K-means算法获得无人机的位置范围,并分析无人机的最优部署高度,然后使用基于遗传的启发式算法获得最优部署结果。评估结果表明,在无人机数量有限的情况下,优化后的模型比覆盖车辆数量最大化的模型具有更低的服务时延。本文提出了一种基于DDPG（Deep Deterministic Policy Gradient）的能源有效性动态无人机轨迹优化策略,增强基础设施覆盖不全处的车辆网络的覆盖性能,包括了车辆的静态（比如自然灾害引起的）和动态（比如车辆在高速公路正常行驶）两种场景。在这两种场景中,均采用多架无人机协同工作的模式,通过优化无人机飞行轨迹为车辆提供优质服务。轨迹优化策略建立了无人机的三维轨迹模型、通信模型和能量消耗模型。为最大化多架无人机轨迹移动的能源效率,且保证服务车辆的实时信息速率公平性,提出了一种利用连续性控制算法DDPG的多无人机轨迹优化策略,其中包括了最大化能源效率模型、状态空间、动作空间和奖励函数。针对车辆静态和车辆动态两种场景,分别进行了仿真验证,结果表明,提出的基于DDPG的能源有效性多无人机轨迹移动方案,能够学习车辆网络环境及其动态特性,可以为车辆网络提供有效覆盖,且在信息速率、能源效率方面优于可替代的方法。