为了增强车辆制动能量回收效率和保持制动稳定性，提出了一种综合考量驾驶员风格和路面附着特性的能量回收方法。首先，根据不同驾驶员数据提取驾驶风格特征参数，基于支持向量机（SVM）训练驾驶风格辨识模型；然后，通过U-Net网络对路面图像进行预处理，并使用轻量级网络MobileNet V3训练路面高效辨识模型；最后，结合驾驶风格与路面辨识结果，对车辆前、后轴制动力的变比值进行分配，提出一种考虑驾驶风格与路面附着条件权重来确定再生制动力的方法，并在此基础上完成制动能量回收策略制定。仿真结果表明：对于不同路面，制动效能与制动稳定性明显提升；在WLTC与NEDC循环工况中，电池SOC分别提高了2.13百分点、1.02百分点，使整车制动稳定性与经济性得到进一步提升。

为提高混合动力汽车行驶的综合经济性，针对现有混合动力汽车能量管理策略对于不同风格驾驶员的适应性不足问题，提出了基于驾驶风格实时识别的自适应等效能耗最小化能量管理策略。首先对实时踏板信号变化量引起的驾驶需求变化进行分析，通过驾驶员踏板实时数据的特征提取和分类，在滚动时域内识别实时驾驶风格。然后在考虑电池衰退成本的等效能耗最小化策略中，通过量化驾驶风格系数构建等效因子自适应函数，求解不同风格下的最优等效因子与电池衰退权重系数，并在此基础上设计基于人工势场法的自适应等效能耗最小化策略。仿真结果表明：相同驾驶工况下，相较于未考虑驾驶风格的等效能耗最小化策略，所提方法在改善了2.82%的燃油经济性的同时，减少了25%的电池损耗。

针对电机制动能量回收率低和直流母线电压波动大的问题，提出了考虑电机功率、双向DC/DC变换器效率、超级电容电压等多个参数实时调整超级电容电流参考值的制动能量跟踪策略。采用储能单元的离散状态空间模型预测超级电容的电流和电压，并结合系统中多个参数计算超级电容的电流参考值。使用基于比例积分（PI）的电流环控制超级电容电流实时跟踪参考值，实现超级电容对电机能量的跟踪。通过仿真分析和对比试验，结果表明：所提出的策略能够将制动能量的回收效率由55.93%提升至86.76%，直流母线的电压波动范围抑制在0.9%以内。

为了提高车载网络中的数据传输速率和保障业务的QoS需求，结合软件定义车载网络（SDVN）技术，设计了一种基于SDVN的深度强化学习QoS路由算法。该算法可以实现智能化控制和优化管理车载网络中的数据传输，以保证车载网络流量的控制、分配和监控，提高车载数据传输质量和效率。试验结果表明，该路由算法能较好地降低车载网络的时延，与传统路由算法相比，该算法具有更好的优化性能。

为了提高车载通信质量和可靠性，通过分析基础设施与车辆间信道传输模型和道路基础设施参数的影响，引入车载可见光通信技术。根据基础设施与车辆间的视距信道进行建模，分析信号传输中的通信损耗；利用视距通信误码率（BER）、停机概率及块误码率（BLER）推导系统性能的闭式解析式；分析复合指向误差对视距通信系统的误码率、停机概率以及块误码率的影响。试验结果表明：在无衰落和视距传输条件下，增加路灯高度可以降低误码率，通信链路距离增加将增大误码率；提高停机阈值，视距链路的停机概率降低；增加发送比特块数量有助于改善块误码率性能；考虑指向误差后，误码率、停机概率以及块误码率均增加，表明指向误差对系统通信有衰弱作用。

针对电动汽车电驱动系统的共模干扰问题，提出了一种基于马尔可夫（Markov）过程的三段式伪随机载波频率等效零矢量脉宽调制（PRF-AZSPWM）策略。在等效零矢量作用的基础上，该策略引入双态Markov链生成随机合成信号，使载波频率在一定范围内随机变化，同时选择合适的传递概率，将谐波能量扩展到更宽的频率范围。仿真结果表明，提出的方案有效降低了电驱动系统的共模干扰水平，并通过样机试验进一步证明了提出策略的有效性。

为削弱车用同步电机振动噪声，提出了一种组合型转子开槽设计方案及电磁噪声正向优化设计方法。首先，探究了电磁振动噪声产生的机理，基于麦克斯韦张量法和有限元法研究了径向电磁力波时、空分布特性，确定了引起电磁噪声的主要电磁力谐波成分；其次，提出了一种组合型转子开槽改进设计方案，并结合最佳预测元模型和强度帕累托进化算法确定了开槽方案的结构参数最优解；最后，建立了电机电磁仿真模型，并对其线反电动势、齿槽转矩、输出转矩等进行对比评估。结果表明，转子开槽设计可有效抑制空间0阶12f电磁力谐波幅值、改善反电势波形、降低齿槽转矩和转矩脉动，从而降低振动噪声，较原始样机0阶12f电磁力谐波幅值削弱了81.51%，转矩脉动下降了44.98%。

电子液压制动（EHB）系统主缸液压力估计对降低EHB的传感器依赖性至关重要，基于BP神经网络进行主缸液压力估计。首先开展了实车道路试验，并采集车速、主缸活塞位移、主缸活塞速度和主缸液压力等数据。然后，以主缸活塞位移和主缸活塞速度为特征输入、以实际主缸液压力为目标输出建立BP神经网络，并采用训练集数据及梯度下降算法对BP神经网络进行训练。最后，利用测试集数据对液压力估计效果进行验证。结果表明，所提算法比基于动态位移压力模型和基于LSTM的估计算法估计误差分别减小38%和15%。