随着无线技术与物联网技术的进步,智能汽车快速发展,也带来了车载应用需求的大幅度增长。一些新兴的、具有计算密集和延迟敏感特征的车联网业务的出现,对车联网（Internet of Vehicle,IoV）的计算与任务调度提出了新的挑战。车辆边缘计算（Vehicular edge computing,VEC）将是一个有效的解决方案,通过将云服务下沉至移动网络边缘,既满足车辆计算资源的扩展需求,也能够在任务卸载过程中实现快速交互。然而,单个车辆的计算能力是有限的,且车辆在车联网中具有高机动性,对此,由智能车辆以相同的驾驶模式组成的车队（platoon）可以组合车辆的资源并保持车辆间的相对稳定,将有效缓解这些问题,为利用车载计算资源执行计算任务提供一种有前景的范式。论文分析了车联网和基于车队的边缘计算的背景与意义,介绍了国内外研究现状,在探究车联网中任务调度、资源分配和车队的相关理论基础之上,对基于车队特征的计算与任务调度策略进行研究。本文的具体工作如下:（1）提出了一种基于稳定车队的车辆边缘计算机制,该机制利用车队和边缘计算支持的路边单元（Roadside Unit,RSU）的计算能力,解决在单一车辆资源有限、路旁资源不均匀和车辆高速移动等情况下,车辆行进过程中的VEC问题,拟在任务调度过程中最小化系统任务执行的延迟成本和能量消耗。所建模型考虑了实际环境的影响,也考虑了通信资源的限制。利用深度确定性策略梯度（deep deterministic policy gradient,DDPG）设计了一种学习算法,该算法能有效地确定目标卸载服务器,并获得最优的计算与通信资源调度策略。数值结果表明,与基准算法相比,该算法显著降低了延迟和能量消耗。（2）提出了一种基于动态车队的车辆边缘计算机制,在现有车辆边缘计算的基础上,对稳定车队做了一个改进,进一步考虑在车队动态形成的情况下的车辆边缘计算问题。所建模型仍然考虑到实际环境中资源的时变性、车辆的动态性和车队特性,主要目标为最大化车辆的效用。首先设计了一种基于契约的激励机制,激励车辆加入车队。在车队形成之后,设计任务调度和资源分配方案,将RSU作为服务器,将车队作为服务器和向RSU传输任务中继节点。最后结合凸优化算法,根据优化问题设计了进行仿真,与其他方案对比。所设计的契约能够激励车辆的参与,所提出的任务卸载和资源分配方案是能够提高车辆的效用。