伴随着互联网通信技术的飞速发展,无人驾驶技术及其相关理论已成为时下众多专业学者和企业重点研究方向,而对无人驾驶车辆之间跟驰模型的分析是该方向的重要基础性研究工作之一。由于技术的革新需要与相关的理论创新同步适应,本文以无人驾驶环境的车辆跟驰模型为研究对象,借鉴传统交通环境下车辆跟驰模型的形式,构建了基于无人驾驶环境的多信息融合跟驰模型(Multi-information Fusion Car-following Model,MI-CF),并通过数值模拟实验的方法对比分析其与传统跟驰模型的差异,经验证,MI-CF模型具备更高的稳定性,能够更准确地描述基于无人驾驶环境车辆的跟驰行为特性。首先,本文详细阐述了无人驾驶技术以及车辆跟驰模型的发展研究现状,对几类经典跟驰模型的优缺点进行对比分析,发现基于传统环境的跟驰模型大部分未讨论多信息共同作用下的跟驰行为变化。且车辆跟驰行为受驾驶员特性等不可控因素影响较大,无法直接用于准确描述无人驾驶车辆的跟驰行为。在此基础上,进一步分析了无人驾驶交通流的跟驰行为特性以及无人驾驶车辆的信息交互特点和模式。随后,本文借鉴优化速度类模型的形式,综合考虑了车辆协同优化速度、多前车速度差以及多前车车头间距等因素,构建了基于无人驾驶环境的多信息融合跟驰模型,并利用美国联邦公路管理局支持的“下一代仿真(Next Generation SIMulation,NGSIM)”项目中的NGSIM数据集,结合遗传算法对模型进行了参数标定。最后,本文对MI-CF模型进行了稳定性分析和数值模拟实验验证。先对模型的稳定性条件进行求解,与传统优化速度(Optimal Velocity,OV)模型和全速度差(Full Velocity Difference,FVD)模型进行对比,得出MI-CF模型具有更大的稳定域;运用虚拟环形道路法进行数值模拟实验,对比分析FVD模型和MI-CF模型,证明了实验结果与理论分析结果能较好地吻合,MI-CF可以使车辆更快响应前方车辆运动状态的变化并及时恢复至稳定状态,同时能够与前方车辆保持一个更合适的安全距离,既提升了车队通过的效率性,也保证了行驶的安全性,为探讨部分参数的变化对模型稳定性的影响,本文还对模型参数进行了敏感性分析,证明本文的研究可以更准确地描述无人驾驶交通流的微观跟驰行为,对促进未来无人驾驶技术的发展具有一定的理论参考意义。