交通能源短缺与环境污染问题是21世纪全球面临的重大挑战和制约汽车工业可持续发展的症结所在。传统燃油汽车的节能减排技术已不能满足社会可持续发展的需求,开发低油耗、低排放的新型汽车成为当今汽车工业发展的首要任务。Plug-In混合动力汽车(Plug-In Hybrid Electric Vehicle,简称PHEV)是在传统混合动力汽车(Hybrid Electric Vehicle,简称HEV)的基础上派生出的一种新型混合动力汽车,其最大特点是可以使用电力网(可以是晚间低谷电力)给车载动力电池充电。PHEV具有巨大的经济效益和社会效益,是一种最有发展前景的混合动力汽车,受到汽车企业、研究机构和各国政府越来越多的关注,逐渐成为新能源汽车研究领域的热点。能量管理策略(Energy Management Strategy, EMS)是混合动力汽车具有优良性能的基础。其核心问题是控制电机、发动机、动力电池等部件之间的能量流的大小和流向,实现能量的合理分配,在满足汽车动力性能的条件下,提高混合动力汽车的燃油经济性和排放性能。能量管理策略作为Plug-In并联式混合动力汽车的核心技术之一,其品质直接影响车辆的动力性、经济性和排放性能。本文对Plug-In并联式混合动力汽车的能量管理策略进行了研究,主要内容如下：基于电池能量观测的Plug-In并联式混合动力汽车能量管理策略的制定。结合Plug-In并联式混合动力汽车的特点,设计了电池能量观测单元,并利用电池能量观测单元把等效燃油消耗最小策略应用于PHEV的能量管理。等效燃油消耗最小策略是一种实时优化能量管理策略,能够实现实时最优控制。基于模糊规则的Plug-In并联式混合动力汽车能量管理策略的设计。针对不同的循环工况,分别制定了模糊规则,能量管理模糊控制器的输入变量为车辆请求转矩和电池的荷电状态(SOC),输出变量为请求发动机输出转矩。基于模糊规则的能量管理策略鲁棒性强、实时性好,具有很强的实用性。对基于模糊规则的Plug-In并联式混合动力汽车能量管理策略进行的研究为本文下一步研究工况识别在能量管理策略中的应用奠定了基础。工况识别在能量管理策略中的应用。分别研究了基于BP神经网络(Neural Network, NN)的工况识别、基于概率神经网络的工况识别和基于支持向量机(Support Vector Machine,SVM)的工况识别在能量管理策略中的应用。在ADVISOR平台上的仿真研究表明,与基于确定性规则的能量管理策略相比,本文制定的基于电池能量观测的能量管理策略和基于模糊规则的能量管理策略都能够在电机和发动机之间更加合理地分配转矩,有效地提高燃油经济性；工况识别在能量管理策略中的应用效果良好,根据工况识别器识别的循环工况类型选择相应的能量管理策略,有效地提高了燃油经济性,其中,基于支持向量机的工况识别在能量管理策略中的应用效果最好。