当前,随着人工智能技术的发展,汽车智能化水平大幅度提升,逐渐从实验室迈向工程应用,智能汽车融入城市交通首先要解决行车安全性问题。城市交通场景属于日常行车的常见工况,且城市交通场景往往较为复杂且存在不确定性,而智能汽车必须能够有效处理复杂城市交通场景下车辆的安全控制问题。针对无信号灯路段行人-车辆混行的常见城市工况,提出一种考虑人车混行的多场景动态安全距离模型,分别设计以舒适度为导向的避撞控制策略和以数据驱动的自学习避撞控制策略,实现危险工况下的智能汽车主动避撞控制,并进行不同工况下的虚拟试仿真验证,进行人车混行主动避撞硬件在环试验,实现复杂人车混行工况下的自适应纵向避撞和硬件在环半物理仿真试验。本文首先建立了整车七自由度动力学模型,依据自车纵向避撞过程中行人相对自车位置,将研究工况分为三种典型场景,依据典型车辆制动模型,分别针对不同场景建立了考虑路面附着约束、行人位置和驾驶员反应时间特性的动态安全距离模型。对于安全距离模型中路面附着系数实时辨识的要求,基于轮胎纵向力与滑移率动态变化规律,基于扩展卡尔曼滤波对轮胎纵向力进行实时估计;在获得轮胎力的基础上利用递推最小二乘法对轮胎纵滑刚度进行了在线辨识;利用关于纵滑刚度的线性映射获得路面附着系数并进行虚拟仿真验证,结果表明该估计方法能较快跟踪路面真实值。基于动态安全距离模型,提出了基于驾驶员舒适度的纵向避撞控制策略,通过逆动力学模型得到了制动所需要的制动压力,设计了比例-积分-微分（PID）控制器;考虑到传统避撞控制器鲁棒性差,控制器设计完成后性能就已经确定且不同车型控制器往往不能通用,设计完成了基于神经网络的纵向避撞控制器。利用车辆纵向避撞场景数据,采用梯度下降法训练神经网络得到了车辆纵向避撞控制期望值,通过逆动力学模型得到了期望的制动压力,采用PID控制器完成了对制动压力期望值的跟踪。通过Prescan与Matlab联合仿真平台进行了多工况虚拟仿真验证,结果表明所提出的主动避撞控制算法是有效的,并进行了人车混行主动避撞硬件在环试验研究,进一步验证了人车混行避撞控制算法的有效性,有利于保障人-车混行交通下行人的安全。