车联网（Internet of Vehicles,IoV）作为物联网（Internet of Things,IoT）的延伸,不仅可以为人们提供高效和舒适的驾驶体验,而且能够促使交通业务的多样化。为了获得高可靠性与低时延的车用无线通信技术（Vehicle To Everything,V2X）服务,广泛部署的移动边缘计算（Mobile Edge Computing,MEC）被认为是一个最有潜力的方案之一。MEC作为未来移动通信的核心技术,可在靠近用户端的网络边缘提供计算、存储和通信等功能。高度分布式的计算环境,不仅有效降低了因终端计算能力不足导致的时延及能耗,而且极大的提高了网络的服务质量（Quality of Service,QoS）和用户的体验质量（Quality of Experience,QoE）。然而,仅依靠陆地通信,无法全方位、无死角的为每个车载通信设备提供低传输时延和高可靠性的网络接入服务。目前,以陆地通信网络为基础,结合空中平台的通信方式是解决大容量通信的重要途径。如系留气球、飞机、无人机（Unmanned Aerial Vehicles,UAV）等通信平台,可作为空中基站部署在距离地面几百米到几十千米的高度,增加通信覆盖范围,能够有效利用通信资源提供无线窄带和宽带服务。但是,现有的车载边缘计算优化策略局限于单一或是平均QoS性能指标,无法满足车辆用户的个性化需求,导致不同车辆用户的主观体验差,任务处理时间长、任务处理成功率低等问题。此外,UAV和车辆用户的移动特性为在线优化任务卸载提出了新的挑战。因此,设计一个合理高效的在线任务卸载优化方案,在优化车辆用户QoE性能的同时满足5G高可靠、低时延通信需求十分必要。结合空-地一体化车载边缘计算（Air-Ground Integrated Vehicular Edge Computing,AGI-VEC）场景,本文综合考虑车辆用户在任务处理时的主观感受和客观评价,建立了用户需求感知模型。其次,考虑车辆用户的计算资源有限、车辆通信中的信令开销成本过高以及隐私安全等问题,本文以多臂老虎机（Multi-Armed Bandit,MAB）模型和Lyapunov优化理论等为支撑,提出了一种基于强化学习的用户需求感知上置信区间算法（Learning-based Intent-aware Upper Confidence Bound,LIUCB）。其中,该算法能够有效实现QoE、URLLC约束和轨迹相似度感知。最后,通过仿真与三种对比算法作比较,数据结果表明所提算法在平均QoE性能、端到端时延、排队时延及任务卸载成功率方面有显著提升。