针对车辆行驶过程中复杂多变的车内环境和光照条件及驾驶员行为姿态多样性对驾驶员异常行为检测与识别的影响，提出一种基于对比学习的驾驶员异常驾驶行为检测算法。首先，将驾驶员驾驶行为检测视为二分类任务，使用对比学习的方法，将驾驶员正常驾驶与异常驾驶样本进行对比，并通过对比损失函数提高模型的性能。其次，以驾驶员正前方和上方的深度图像作为输入，通过提供驾驶员的深度信息解决车内环境复杂、光照强度变化及视角盲区问题。最后，在轻量化网络MobileNetV2基础上引入3D卷积，并在每个瓶颈结构的卷积层中加入通道混洗操作，提高识别的准确性。试验结果表明，提出的算法在驾驶员异常检测（DAD）数据集测试集中的准确率达到94.18%，受试者操作特征（ROC）曲线下面积（AUC）达到0.962，该算法在驾驶员异常行为检测方面具有有效性。

针对当前自动驾驶感知算法训练与测试过程中出现的多源异构数据稀缺、场景适配性不足等问题，构建了基于典型场景的多模态感知数据集，包含10个特定典型场景片段，涵盖激光雷达、摄像头和4D毫米波雷达等多模态传感器数据，提供了6种类别目标物的标注信息，并详细描述了数据采集设备的配置信息，包括传感器参数、标定数据和时间同步处理方案。所构建的数据集可为自动驾驶感知算法提供特定的驾驶场景信息，提升算法在复杂场景下的感知精度，从而提高自动驾驶系统的安全性与可靠性。

针对传统自适应巡航控制（ACC）系统在遇到前方低速车辆时仅能保持低速跟驰的局限性，开发了一种具有换道功能的ACC系统。首先将驾驶模式细分为定速巡航、跟随巡航和换道巡航，并基于速度不满度制定了多模式切换策略以灵活应对不同的驾驶场景和驾驶员需求，然后，在现有ACC系统的基础上加入主动换道功能，应用五次多项式精确规划换道轨迹，基于模型预测控制（MPC）算法构建了换道巡航轨迹跟踪控制器。最后，基于MATLAB/Simulink/CarSim对所搭建的控制器进行验证，结果表明，该策略可以实现符合驾驶员意图的主动换道功能。

随着深度学习技术的引入，自动驾驶汽车目标检测算法取得了重要进展。从目标检测技术发展的角度，对传统目标检测算法与当前应用于自动驾驶车辆的深度学习目标检测算法进行了梳理，分析了具有里程碑意义的检测器、网络结构以及最新的检测方法，并针对目标检测技术的发展方向进行了探讨。

为分析车内交通灯（IVTL）对驾驶行为特性的影响，设计了驾驶员数据采集系统，以交通信号灯视线遮挡为试验环境，公开招募50名20~40岁的受试者进行驾驶模拟器试验，采集车辆状态数据和驾驶员状态数据并进行预处理后，利用统计学方法对相关性指标进行分析，结果表明：相较于无车内交通灯，配备车内交通灯时平均车速显著提高；在交通信号灯被大型车辆遮挡条件下，跟随车与前车的距离有所减小，可潜在提高道路通行效率；车内交通灯可辅助驾驶员更加专注地驾驶车辆。

为在复杂的城市街道背景条件下实现更为高效的交通标志小目标识别，提出了一种改进的YOLOv5s算法，通过引入卷积块注意模块（CBAM）空间通道注意力机制、自适应空间特征融合（ASFF）模块和改进检测框的损失函数进一步提升网络性能，TT100K交通标志数据集上的验证结果表明，所提出的改进算法的交通标志识别平均精度均值（mAP）达到84.5%。

为提高功率模块的性能和可靠性，针对功率模块电-热-力多物理场耦合特性，通过有限元分析方法，利用ANSYS Q3D、Fluent、Maxwell、Twin Builder等仿真软件进行了多物理场耦合仿真分析，结果表明，寄生电感和热阻对功率模块的开关特性和散热性能具有显著影响，通过热仿真、寄生参数仿真、双脉冲仿真等系统级仿真对功率模块进行了全面评估，并利用试验与仿真闭环的方法对功率模块仿真结果进行重新评估校准，提高了仿真精度，可为后续功率模块设计优化提供参考。

针对车载充电机传导发射与整车交流充电传导发射测试结果间存在差异的问题，从测试原理出发，系统分析了车载充电机传导骚扰特性与整车测试工况的关联性，并结合仿真与实测验证，提出零部件级传导骚扰控制方案，通过确保零部件级电磁兼容性能，实现对整车测试的预验证，从而为新能源汽车电磁兼容性能正向开发提供支撑。

为在兼顾大功率直流充电桩的充电安全性、服务体验等需求的同时提升其功率利用率，提出了一种柔性功率分配控制策略。结合环形功率分配拓扑，设计了充电启动、充电中及结束释放等阶段的功率分配控制时序及算法，通过对功率节点的静态、动态轮询切投提升其利用率。为保证系统稳定运行，引入最小剩余需求功率，并综合判断剩余需求功率差值、单次插枪时段内的切投次数及滤波时间等条件避免频繁切投。验证结果表明，实施该策略后整桩平均功率利用率由1.76%提升至2.24%，优化效果显著。

为准确预测质子交换膜燃料电池（PEMFC）的剩余使用寿命（RUL），提出一种基于改进的雪消融优化器优化神经网络的剩余使用寿命预测方法。首先运用拉伊达准则和小波对原始数据进行预处理，采用皮尔逊相关系数选取与电压相关性强的参数作为输入变量，利用改进的雪消融优化器（ISAO）对卷积神经网络-门控循环单元（CNN-GRU）模型的超参数进行寻优，再运用CNN-GRU模型预测燃料电池的输出电压。试验结果表明，当训练集占比为30%时，该方法的平均绝对误差为1.6 mV，均方根误差为2.2 mV，相对误差为0.41%，决定系数为99.20%，为6种模型中的最优结果，与麻雀搜索算法、雪消融优化器、鲸鱼优化算法相比，改进的雪消融优化器的预测结果更好、寻优速度更快，证明了预测模型和改进算法有效。