分布式驱动电动汽车四轮转矩独立精确可控、响应快速,在传动效率、结构布置以及整车动力学控制等方面具有巨大的优势而日益受青睐,是未来电动汽车发展的重要方向和研究热点。汽车主动安全控制技术依赖于路面附着的准确估计、有效的主动控制方式和协调控制算法。本文以分布式驱动电动汽车为研究对象,针对路面附着估计方法、主动前轮转向和转矩矢量协调控制开展了相关研究工作,具体内容如下:基于L-M优化算法的Elman神经网络路面附着系数估计方法。根据车辆动力学分析和控制需求,建立了车辆线性二自由度参考模型、非线性三自由度动力学模型和分布式驱动电动汽车整车动力学模型。将魔术公式引入到三自由度车辆模型中,分析出了与路面附着系数估计相关的动力学参数。设计了一种基于L-M算法的Elman神经网络,将与路面附着相关的车辆状态参数输入神经网络中进行训练,并通过L-M算法对网络权值进行优化,得到路面附着估计模型。仿真结果表明,该方法在恒定附着和对接路面附着系数估计精度都较高。基于线性时变LQR的主动前轮转向最优控制。线性二自由车辆模型在轮胎力处于非线性区间时对车辆状态的计算精度较低,因此应用一阶泰勒公式对魔术公式进行线性化处理,推导出线性时变车辆二自由度控制模型。基于此模型,设计了一种线性二次调节器（LQR）的主动前轮转向最优控制器。针对LQR控制权重参数取值困难的问题,采用质心侧偏角-质心侧偏角速度相图设计车辆稳定性判别公式,根据车辆稳定程度,采用改进的交叉粒子群算法对控制权重进行优化。仿真结果验证了所设计的控制模型的有效性。基于SAC算法的车辆主动前轮转向与转矩矢量协调控制方法。单一轮胎力控制方式存在盲区,而集成转矩矢量控制和主动转向会导致功能相互耦合、削弱甚至冲突。传统的控制理论与方法存在解耦过程复杂且难度大等问题。为此,借助强化学习无模型控制的优势,提出一种基于SAC算法协调控制方法。建立以轮胎利用率和转向稳定性的转矩分配目标函数,以稳定性控制、路面附着条件、电机性能为约束条件,采用嵌入式凸优化工具进行优化求解。根据稳定性控制目标设计了SAC算法奖励函数,并在正弦转向工况中进行训练实现主动前轮转向与转矩矢量控制量的协调输出。仿真结果验证了SAC强化学习协调控制算法能够准确跟踪理想模型,改善了车辆在极限工况中的操纵稳定性和安全性。