第五代移动通信技术和移动边缘计算是一种能够为车联网提供海量数据传输与时延敏感型任务处理的关键技术。在网络带宽资源与服务器计算资源均有限的车联网中,借助车辆分簇机制和移动边缘服务器,可以有效减少数据传输量与任务计算量。车辆分簇、内容缓存、任务卸载以及服务器的计算资源分配,都已经成为了车联网领域的研究热点。针对车联网中的数据传输与任务计算等问题,本文进行了深入研究,分别提出了基于数据内容相似性的车辆分簇机制和车联网中的内容缓存、数据卸载和计算资源分配的联合优化算法,来提高网络数据传输效率和系统计算性能。首先,介绍了基于数据内容相似性的车辆分簇机制。在车联网中,由于高精度的车载传感器网络会产生大量异构数据,如果不能及时传输这些数据,会增加网络拥塞的概率。考虑到车辆的快速运动,会导致车辆从簇中脱离,从而引起传输内容的丢失。因此,为了提升网络的链路质量,基于车辆地理位置与运动速度一致性对车辆进行分簇。为了最大化网络传输效率,提出了基于数据内容相似性的车辆分簇机制。借助机器学习,提取簇中车辆传输内容的特征,并基于数据内容相似性,对车辆进行二次分簇。簇头剔除传输内容中的冗余部分后,将有效信息融合,并卸载到移动边缘计算服务器。为了应对计算资源不足和处理计算密集型任务时延过高等问题,我们提出了内容缓存、数据卸载与计算资源分配的联合优化算法。由于道路结构以及交通场景的限制,网络中的传输内容具有规律性和重复性。基于数据内容这个特性,利用移动边缘计算服务器存储相关计算内容数据,可以减少数据传输量与任务计算量。考虑到移动边缘服务器的缓存容量与计算资源有限,并且移动边缘服务器的覆盖区域高度重叠,因此,缓存哪些内容,如何卸载任务和为每个任务分配多少计算资源尤为重要。为了共同解决这些问题,本文将缓存策略、卸载决策和计算资源分配建模成一个混合整数非线性规划优化问题。为了求解出混合整数非线性规划的最优解,我们把它分成两个子问题。首先,研究了一种基于缓存内容相似性的高效缓存策略。然后,应用Mc Cormick Envelops理论和改进的分支定界算法计算出最优的卸载决策和资源分配策略。通过联合优化内容缓存、数据卸载与计算资源分配,保障了计算任务处理时延,并且提高了网络容量。