汽车的智能化已经成为汽车未来经济发展趋势。为了在行驶过程中实现汽车的动态控制,需要估计对车辆的关键状态参数,包括速度、质心侧角等。由于汽车的控制过程非常复杂,并且可以直接应用与车身的传感器非常有限,某些关键参数无法直接获取。因此,需要根据实际应用设计相应的状态参数估计器,以解决车辆控制中数据采集的问题。为了估计器能够适用于每一个工况,本文研究了在行驶条件下状态估计和参数识别的方法,为车辆的安全性和稳定性控制提供了研究方法。本文的主要研究工作如下:首先,为了适应实际环境的复杂性,在Car Sim-Matlab/Simulink联合仿真的基础上,建立了两个自由度线性车辆模型和三个自由度非线性车辆模型,设计了车辆状态参数估计。考虑汽车行驶路况的复杂性,研究分为线性区和非线性区进行车辆状态预测,同时,建立了线性轮胎模型和“魔术公式”轮胎模型来预测路面附着系数。然后,设计了基于双重扩展卡尔曼滤波算法的估计模型,提高了车辆状态参数和路面附着系数的估算准确率,因为在实际的估算过程中,这两者是密不可分的,车辆的状态参数会受到路面附着系数的影响,而路面附着系数变化也会体现车辆状态上,使用双重扩展卡尔曼滤波器将车辆状态参数估计和路面附着系数估计集成到一组估计系统中。在该套系统中,状态估计系统和系数估计系统相互补充、并且彼此之间传递参数以提高估算效果。最后,本文设计了一种多模型交互算法（IMM）的车辆状态估算模型,尽管扩展卡尔曼滤波状态观测器的具有一定准确度,但是在实际驾驶所面临的路况无法预计,本文选择在线性区和非线性区采用不同的动力学模型设计估计器,同一段路况,线性区模型和非线性区模型将得到两个不完全一致的数字,该算法可以融合将线性区和非线性区的估算结果进行融合。在多模型交互算法中,最大似然算法用于更新模型。通过计算当前模型与当前移动目标状态之间的相似度,可以获得当前最优跟踪模型的权重度。实验结果表明,融合估计比独立估计更加准确,效果更好。