近些年来,传统燃油车带来的能源危机和环境问题日益显现,车辆主动安全性问题备受关注。在此背景下,轮毂驱动电动车被当作解决这些问题的有效方案之一。相比于传统燃油车,轮毂驱动电动车结构紧凑,传动链短,传动效率高,驱动轮驱动/制动力矩独立可调可测,其在驱动/制动、转向以及可控性方面有较大优势,能够提高汽车主动安全控制系统性能;与此同时,路面附着系数估计是汽车主动安全控制的核心问题之一。因此,在轮毂驱动电动车上准确估计路面附着系数具有重要的现实意义。本文围绕轮毂驱动电动车的路面附着系数估计问题展开深入研究,分析了车辆动力学和轮胎模型,基于模型建立估计器,针对汽车行驶工况特点,分别提出了直行工况下和转向工况下的路面附着系数估计方法。具体内容如下:本文首先进行了车辆动力学分析,提出了轮胎垂直载荷修正方法,给出了车轮动力学模型和Dugoff轮胎模型,分析了轮胎的非线性特性和Dugoff轮胎模型。在此基础上,基于高精度车辆动力学模型veDYNA,将本文模型与仿真模型进行对比,分析和验证了车辆动力学模型以及轮胎模型的精度和有效性。在此基础上,本文提出了一种基于附着率—纵向滑移率标定曲线的估计方法,能够有效解决轮毂驱动电动车直行工况下的路面附着系数估计问题。将此估计问题分解为车轮纵向滑移率估计、轮胎纵向力估计和路面特征曲线匹配三个子问题,分别研究了基于卡尔曼滤波器传感器滤波器、基于滑模观测器的纵向力观测器和滑移率—纵向力曲线匹配方法。其中在纵向力观测中,研究了轮胎垂直载荷修正方法以提高车轮附着率估计精度。为了在转向工况下估计路面附着系数,本文提出了一种基于BP神经网络的路面附着系数估计方法。基于车辆动力学方程和Dugoff轮胎模型公式,给出了该方法的原理证明。通过车辆行驶工况分析设计覆盖多种工况的仿真样本,通过高精度仿真模型,得到汽车转向工况的传感器数据,设计BP神经网络结构,训练神经网络。最后,设置典型仿真工况,通过车辆状态信息估计转向工况下的路面附着系数,验证BP神经网络的有效性。