随着5G网络和计算机视觉应用的快速发展,车联网场景中大量视频数据被用于内容分析,以助力安全驾驶。一方面,基于视频内容理解的任务通常伴随着庞大的数据量和巨大的计算能力需求。移动边缘计算（Mobile Edge Computing,MEC）被认为是一种有前景的技术,车辆通过将此类计算密集型应用卸载到移动边缘服务器进行视频内容理解,以解决与车辆有限能力之间的冲突。另一方面,现有基于服务质量（Quality of Service,QoS）,或基于用户体验质量（Quality of Experience,QoE）的资源分配方案难以作为基于视频内容理解为目的的最佳选择。因此,有必要联合考虑无线链路传输过程的通信资源,以及MEC计算资源设计高效的新型资源分配方案。论文选题来源于北京市自然科学基金项目“动态时空数据驱动下基于视频内容理解的车联网资源分配算法研究”（项目编号:4202049）。论文研究围绕车联网中的通信资源和计算资源联合分配展开,分析基于视频内容理解类业务的联合资源分配与传统资源分配的差异性,研究车联网场景下基于QoC的联合资源分配算法,以支持视频内容理解类业务高可靠低时延的需求。论文的具体研究内容如下:（1）论文全面阐述了车联网中的移动边缘计算技术以及资源分配的研究现状。首先说明在车联网中引入移动边缘计算的必要性,进而介绍了移动边缘计算的基本概念和应用场景。然后详细介绍了车联网中资源分配的研究现状,分析并指出现有资源分配研究中存在的问题与挑战,进而给出了本文的研究方向。最后介绍了机器学习算法在资源分配中应用的研究现状,为本文提出的车联网场景下基于QoC的通信和计算资源联合分配算法的研究工作奠定了基础。（2）针对车联网场景下海量的视频传输和理解业务给传统无线通信资源和MEC计算资源带来巨大压力,而现有基于人类感知设计的资源分配方案难以有效提升视频内容理解精度,提出了一种边缘主导计算场景下基于QoC的联合资源分配算法。首先构建频谱和算力限制下的目标检测精度模型,进而推导通信资源和计算资源限制下视频内容理解精度的统一表达式。然后考虑到车联网场景下资源分配的实时性和环境的多变性,提出一种多智能体分布式Q-Learning算法求解此类多约束非线性规划问题。最后通过MATLAB仿真分析了边缘主导计算场景下基于QoC的联合资源分配结果,并通过对比算法评估所提出的联合资源分配算法的性能。（3）针对车辆端计算资源难以利用,且基于深度学习模型的联合资源分配对通信和计算资源的需求程度和利用方式不同,提出了一种车边协同计算场景下基于QoC的联合资源分配算法,进一步提高视频内容理解精度并有效降低时延。首先分析基于深度学习模型分割的联合资源分配与传统MEC研究中联合资源分配对通信和计算资源的需求程度和利用方式的差异性。然后联合考虑深度神经网络分割策略,通信和计算资源分配,提出一种车边协同计算场景下基于分布式Q-Learning的联合资源分配算法。最后通过MATLAB仿真与另外两种场景下资源分配算法进行对比,进而评估三种计算场景下的资源分配算法的性能和系统时延。本论文在车联网中基于QoC的联合资源分配算法的研究中,在通信和计算资源受限的情况下,以最大程度提高视频内容理解性能并有效降低时延,实现高可靠低时延的需求,为车联网环境中计算密集型业务的新型联合资源分配方案提供了新思路。