随着科技和经济的高速发展,能源问题和环境问题愈演愈烈。一方面,世界石油资源越来越紧缺且石油进口和运输成本昂贵,石油价钱水涨船高。另一方面,全球汽车总量每年都在剧增,燃油汽车尾气排放严重,雾霾等恶劣天气层出不穷。为解决上述问题,近年来国家出台了大量对新能源领域的扶持政策,尤其是对电动汽车研发的支持。但目前电动汽车驱动控制系统的调速性能和续航里程都不太理想,因此,论文对电动汽车用无刷直流电机（BLDC）驱动技术和回馈制动技术进行研究,以传统控制算法为基础,分别在电机驱动和回馈制动中提出遗传优化模糊PID算法和模糊自适应神经网络控制算法,改善了电机驱动性能,延长了电动汽车续航里程。主要工作有:（1）在电机驱动部分,设计双闭环（电流环、转速环）调速控制系统。由于无刷直流电机是一种多变量、非线性、参数时变以及强耦合的复杂系统,所以传统PID算法控制无刷直流电机存在参数难以调整、控制精度低、抗干扰能力差以及自适应能力弱等问题。为实现无刷直流电机的高性能驱动控制,在转速环中设计了 Fuzzy-PID（模糊PID）算法和GA-Fuzzy-PID算法（遗传算法优化模糊PID）。（2）针对论文所设计的两种高性能驱动控制算法,通过仿真对比分析不同控制算法下电机的转速响应和转矩响应。结果表明,相较于传统PID和模糊PID算法,遗传优化模糊PID算法使系统具备了更快的上升时间和响应速度、更好的动态性能和更强的抗干扰能力。这主要是因为论文对该算法的初始值、隶属度函数与模糊规则均进行了优化设计。（3）在回馈制动部分,研究了无刷直流电机回馈制动技术原理,深入分析了不同回馈制动PWM调制方式下的电路状态。在此基础上,进一步研究了一个PWM周期内回馈电流、占空比、反电动势等参数之间的关系。提出了一种采用恒值制动电流的回馈制动基本控制策略,建立了回馈制动电流闭环控制系统,加入了一种基于T-S（Takagi-Sugeno）模型的模糊自适应神经网络控制算法。（4）在Matlab/Simulink环境中搭建控制算法模型,在多种工况下进行对比仿真。结果表明,相比传统算法,模糊自适应神经网络算法下的回馈制动系统不仅保证了较大的回馈制动转矩且很大程度上提高了能量回馈效率,延长了电动汽车续航里程,为实际电动汽车相关研究提供了重要的参考价值。