在全球汽车电动化、智能化、网联化趋势下,智能驾驶汽车已成为我国汽车产业发展的重大战略方向和趋势。由于其跨传统汽车电子、信息通信、人工智能、互联网、软件等多领域,集成端-管-云多系统,耦合人-车-交通多维度,带来了功能与安全性、环境适应性、人机相容性等新问题,传统测试方法已不能满足智能驾驶汽车开发和认证需求,亟需建立完整的智能驾驶系统测试评价方法体系。为此,本文以我国典型的自然驾驶数据为基础,针对智能驾驶系统对测试场景的全面性、典型性和高效性的要求,设计了测试场景的提取、生成和加速算法,并在仿真场景测试平台中进行了大批量自动化测试,实现了智能驾驶仿真测试的高效化。全文的主要研究内容如下:（1）现有测试场景的组成因素取值是依靠专家经验或者测试经验,照搬国外标准工况、智能驾驶汽车的功能定义或运行区域以及人类驾驶事故库,真实反映我国典型驾驶环境不足。针对该问题,本文给出了作者参与研制的自然驾驶数据采集平台车,该平台车集成了对自然驾驶数据的采集、预处理、融合、存储以及统计分析等功能,为建立我国典型驾驶场景库提供数据基础。（2）针对自然驾驶数据来源多样、异构难以自动分类获得典型场景的组成因素概率分布的问题。提出了一种多维场景自动提取和融合方法。通过计算相对位置变化等行车场景特征关键参数,识别巡线、跟车、邻车切入、前车切出等场景;针对本车换道行驶场景,提出了基于动态时间弯曲的换道识别方法,根据本车与车道线动态时间弯曲距离,计算基于时间序列的左右换道特征,区分本车左右换道场景,进行片段自动截取,实现复杂变道场景提取,为融合多维测试场景提供基础。将动态驾驶场景与其他二维主场景根据一定的约束条件进行融合,获得融合的多维测试场景。（3）针对现有典型场景与危险场景数量不平衡问题,提出了面向仿真场景加速测试的测试用例生成和增强方法。引入聚类分析方法,对大样本量的典型场景进行细化分类,设计标准典型工况,用于复杂度低的场景的逻辑测试;对跟车场景下场景组成因素和评价参数分布进行拟合求解,采用核密度估计方法得到切入场景参数概率密度分布,基于Metorlis Hasting抽样生成大量的随机普通测试样本。利用加权欧氏距离和PICT组合方法对蒙特卡罗仿真的运算量进行改进,减少仿真运算量。利用重要性采样方法增强危险场景的概率分布,增大危险场景测试发现自动驾驶系统的缺陷,提高测试的高效性。（4）针对现有组合测试场景生成算法的研究重点大多放在如何减小测试场景集合的规模,而没有考虑到提高每个场景对错误发现的贡献程度的问题,即缺少测试场景的复杂度指标,导致生成的测试场景集合中的场景复杂度分布情况缺少规范描述,不利于尽快发现缺陷,减少测试时间。针对该问题,提出了一种基于复杂度组合理论的测试场景生成算法,在测试用例的组合生成过程中引入复杂度指标,利用复杂度指标评价测试场景的有效性,既考虑场景数量的“全面性”,又考虑测试场景的“危险性”,平衡测试场景数量与覆盖度之间的关系。提高了整体测试集合的复杂度指标的场景占比和测试效率。（5）开发了一种场景自动构建、测试流程和评价结果自动执行的自动化仿真测试平台。该平台实现了包括测试场景的快速构建、仿真软件的联合调用、以及结果分析与报告生成等测试环节的全自动化执行。应用结果表明,该平台可大大缩短仿真测试时间。