四轮驱动电动汽车在节能、环保、动力学控制等方面具有巨大的发展潜力,逐渐成为国内外电动汽车领域的主要研究方向。获得实时准确的车辆状态参数是车辆控制的基础,受传感器成本及实际应用条件的限制,量产车的控制系统无法获得充足的车辆状态参数从而降低了车辆的控制性能和安全性能。为此,本文以四轮驱动电动汽车为研究对象,针对“质心侧偏角的估计”和“路面附着系数的估计”两个方向展开研究。具体的研究内容如下:首先,搭建车辆动力学仿真模型。建立可以准确反映车身和车轮运动的七自由度车辆模型;基于Maple Sim搭建能够准确客观反映车身、悬架和车轮运动特性的多体车辆动力学模型;将所建立的两种车辆模型进行对比验证模型的准确性,为了更加精确的反映车辆运动特性,将Maple Sim多体车辆动力学模型作为后文硬件在环模拟平台（Hi L）搭建、估计算法Hi L验证的车辆模型。其次,质心侧偏角是表征车辆稳定性的主要参数,本文提出一种基于质心侧偏角稳态模型与RBF神经网络联合校正的车辆状态估计方法。基于车辆侧向二自由度模型建立质心侧偏角稳态模型,为获得稳态模型中轮胎侧偏刚度值,设计了基于岭回归法的轮胎侧偏刚度估计器;将提出的稳态模型校正运动学方法实现车辆侧向速度的估计。利用RBF神经网络校正运动学方法实现对纵向速度的估计,解耦质心侧偏角中纵向速度的运动学表达;在常规工况和复合工况下对估计方法进行仿真验证,并对估计结果进行均值、方差和均方根误差的统计学分析,分析结果证明了所提出方法的有效性。再次,路面附着系数是直接影响轮胎力的关键参数,上文车辆状态估计器开发是以路面附着系数为已知条件设计的,然而在实际量产车辆中无法直接获得路面附着系数的准确值,为此本文提出了基于深度神经网络与扩张状态观测器融合技术的路面附着系数估计方法。应用深度神经网络图像识别的方法识别路面类型,采用PSPNet语义分割模型对路面图片进行语义分割,对分割结果的路面类型（干、湿、冰雪）进行辨识,在获得路面类型的同时获得车辆的可行驶区域;由于图像识别方法不能提供精确的路面附着系数值,所以根据车轮模型设计基于扩张状态观测器的动力学路面附着系数估计方法;根据两种估计方法的特点设计了以转向角为切换条件的融合估计方法,试验结果证明了所设计路面附着系数估计器的有效性。最后,为了进一步验证本文提出估计方法的准确性、实时性,本文利用NIPXI、d SPACE、驾驶模拟器等实时硬件系统搭建硬件在环模拟平台,应用该平台对提出的车辆状态参数估计算法进行验证,并对试验结果进行均值、方差和均方根误差的统计学分析,分析结果表明,提出的基于联合校正运动学方法的车辆估计器有效克服了运动学估计方法的稳态漂移问题,同时补充了稳态模型估计方法对于暂态性能表达不足的问题,在高附着、低附着路面有效估计了质心侧偏角和车速;提出的基于融合技术的路面附着系数估计器的估计结果满足上文估计器的使用要求。