交通信号灯控制对缓解交通拥堵、提升城市通勤效率有着重要作用。近年来，以实时交通数据为输入的基于深度强化学习的信号灯控制算法已取得突破性进展。然而，现实场景中的交通数据通常伴随着数据失真。传统方法在修复失真数据后使用强化学习算法控制信号灯，但一方面信号灯相位的动态性给失真修复引入了额外不确定性，另一方面失真修复难以与深度强化学习框架相结合来提升性能。为此，提出基于隐状态预测的失真交通信号灯路口控制模型HCRL。HCRL模型由编码子模型、控制子模型和编码预测子模型组成，通过引入信号灯路口的隐状态表示机制，更好地适应深度强化学习框架，有效表达信号灯路口的控制状态，并使用特殊的迁移训练方法避免数据失真对控制子模型的干扰。使用两个真实数据集验证了数据失真对智能信号灯控制算法的影响。实验结果表明，HCRL模型在所有失真场景和失真率下均优于基于失真修复的信号灯控制模型，并在与其他基线模型的对比中表现出了对数据失真更强的鲁棒性。

为了进一步优化车载服务的服务质量(QoS)，移动边缘计算(MEC)被深度整合于车联网(IoV)中，旨在为车辆提供地理位置较近的计算资源，降低任务处理延迟和能耗。然而，传统的MEC服务器部署主要依赖于地面基站(BS)，这不仅导致高昂的部署成本，而且限制其覆盖范围，难以确保为所有车辆提供无间断服务。为了应对上述挑战，空地协同IoV作为一种新兴的技术方案应运而生。无人机(UAV)能够借助其视距链路的灵活性动态地协助路边单元(RSU)，为车辆用户提供更为灵活的计算资源，进而保障车载服务的连续性和高效性。提出一种基于空地协同的动态车载边缘任务卸载方法(DVETOM)。该方法采用车-路-空架构，构建了车辆到RSU(V2R)链路和车辆到UAV(V2U)链路。针对车辆任务的本地执行、卸载至RSU执行和卸载至UAV执行3种模式分别构建传输模型和计算模型，并以最小化系统时延和能耗作为联合优化目标构建目标函数。DVETOM将任务卸载问题转化为马尔可夫决策过程(MDP)，基于深度强化学习(DRL)的分布式深度确定性策略梯度(D4PG)算法优化任务卸载策略。与5种基准方法进行对比，实验结果表明，DVETOM在提升车辆用户QoS的同时，在降低系统时延方面优于现有方法3.45%~23.7%，在降低系统能耗方面优于现有方法5.8%~23.47%。综上所述，DVETOM有效地优化了IoV中的车载边缘任务卸载，为IoV用户提供了更高效、更节能的服务解决方案，展现了其在智能交通系统领域的广泛应用潜力。

非结构化道路的缺陷目标检测任务对道路交通安全具有重要意义，但检测所需的标注数据集相对有限。为了解决非结构化道路标注数据集缺乏以及现有模型对无标注数据学习能力不足的问题，提出一种MAM(Multi-Augmentation with Memory)半监督目标检测算法。首先，引入缓存机制存储无标注图像和带有伪标注图像的框回归位置信息，避免了后续匹配造成的计算资源浪费。其次，设计混合数据增强策略，将缓存的伪标签图像与无标签图像混合输入学生模型，以增强模型对新数据的泛化能力，并使图像的尺度分布更加均衡。MAM算法不受目标检测模型的限制，并且更好地保持了目标框的一致性，避免了计算一致性损失。实验结果表明，MAM算法相比其他全监督学习和半监督学习算法更具优越性，在自建的非结构化道路缺陷数据集Defect上，在标注比例为10%、20%和30%的场景下，MAM算法的均值平均精度(mAP)相比于Soft Teacher算法分别提升了6.8、11.1和6.0百分点，在自建的非结构化道路坑洼数据集Pothole上，在标注比例为15%和30%的场景下，MAM算法的mAP相比于Soft Teacher算法分别提升了5.8和4.3百分点。

为提高车辆在无信号交叉路口的通行效率，以车辆加速度变化率和目标车辆通行时间为目标，提出一种车路协同下无信号交叉路口车辆的通行策略。通过建立车路协同场景，划分动态冲突区域和静态冲突区域，定义模型输入参数，构建车辆通行顺序模型和车辆运动状态控制模型，并通过SIMULINK进行仿真，验证模型有效性。实验结果表明，采用该模型后，在常见交通场景中，车辆减速阶段加速度最大变化率平均减少17.27%，车辆加速度变化幅度平均减少37.06%，最大加速度平均降低37.53%，通行时间平均减少41.33%；在特殊交通场景中，车辆减速阶段加速度最大变化率平均减少45.95%，车辆加速度变化幅度平均减少38.89%，最大加速度平均降低48.2%，通行时间平均可减少44.31%；另外，与同类算法优化率相比，该策略模型的平均通行时间和平均车速分别优化42.82%和45.8%，优化效果显著，且两项指标更为均衡，同时车辆速度无频繁波动，乘坐舒适性更佳。因此，在较小牺牲部分车辆舒适性能的条件下，该策略模型大幅提升了整体通行效率。

车联网(IoV)环境中任务的动态性提高了实时计算卸载的复杂性。针对IoV场景中地面网络覆盖受限导致的实时任务难以及时完成的问题，提出一种面向卫星车载移动边缘计算网络(SVMECN)的协同计算卸载方法。首先，构建卫星与地面间的几何关系模型，计算设备与卫星、地面网关与卫星之间的传输速率，并基于该模型计算任务处理时延，模型充分考虑任务的实时性，动态调整卫星移动对地面数据传输的影响，通过卫星与地面网关的协作处理来满足车载应用对时延的要求；其次，提出一种基于指针注意力机制和Actor-Critic(ST-PART)的协同计算卸载算法，根据任务的实时性动态调整任务优先级，按照优先级顺序对任务进行计算卸载，并在不同计算节点之间动态选择和协同处理任务，以最小化任务处理时延。在SVMECN中对所提算法进行仿真，结果显示，与传统的启发式算法相比，所提算法在提高运行效率方面表现突出。实验和分析结果表明，所提算法在满足任务实时性需求的同时能够显著降低任务处理时延，与地面和卫星未协同的算法相比，该算法能够降低2.35%~68.68%的时延成本。