混合动力汽车技术是解决目前车辆能源消耗过度、空气质量污染和燃油成本过高的有效途径之一。本文以混联式混合动力汽车为研究对象,通过对控制决策在线寻优、未来工况实时预测和交通信息融合下全局能量规划的研究,提出了一种适用于传统电量平衡式和插电式混合动力系统的预测能量管理方法,主要成果包括:建立了混合动力汽车预测能量管理拓扑结构。应用动态规划算法和模型预测控制构建了针对混合动力汽车动力驱动系统的实时控制方法,分析了整车燃油消耗量对动态规划算法控制变量和状态变量离散化网格数的敏感性,确定了最佳离散化网格数在30~50之间;分析了能量管理策略在线计算时间对滚动优化时域长度变化的敏感性,确定了具有实时在线计算潜力的控制时域长度在6~12秒之间。对比了实时优化与全局优化仿真结果的状态变化、扭矩分配及油耗分布,为进一步研究提升实时优化控制算法的燃油经济性提供了参考。揭示和量化了短期工况预测对混合动力汽车能量管理方法燃油经济性的重要提升作用,提出了基于神经网络的短期工况预测方法。阐述并建立了后向传播型、层递归型和径向基函数型3种神经网络模型,扩展了现有文献中使用的指数预测和随机马尔可夫工况预测方法。结合预测能量管理策略从预测精度、计算时间、约束保持能力和燃油消耗等方面对上述三种预测方法进行了对比研究。仿真和硬件在环试验结果表明使用径向基函数神经网络进行短期工况预测相比指数和随机预测方法可以提高预测能量管理方法至少8%的燃油经济性。实现了神经网络短期工况预测方法在自适应等效燃油消耗最小策略(ECMS)中的应用。提出了基于二分逼近原则的改进的等效因子自适应律,解决了现有等效因子在线寻优过程中出现的振荡问题,分析确定了等效因子寻优的最佳循环迭代次数在6~8次之间。对比了未来工况已知、未知(使用历史工况)和预测三种情况下自适应ECMS能量管理方法的燃油经济性水平,结果显示采用神经网络进行工况预测相比传统方法可以提高自适应ECMS策略3%以上的燃油经济性,进一步验证了所提出的短期工况预测方法在提升混合动力汽车燃油效率方面的有效性和广泛性。提出了基于交通信息融合的长期工况预测能量管理策略。针对插电式混合动力汽车电池终值电量达到最低限值的约束需求,提出了基于交通数据对全局能量使用进行快速规划的方法。创建了一种简化的能量平衡模型,在维持SOC状态轨迹平均误差在3%之内的同时,降低了80%以上的全局最优SOC状态轨迹计算时间。生成的状态轨迹以控制时域终值约束的方式引入到预测能量管理方法中,系统解决了插电式混合动力汽车全局能量分配使用优化的问题。