智能汽车作为未来汽车发展的主要趋势,已经成为了各大高校和企业的研究重点。针对车辆在行驶过程中因速度和自身参数变化所造成控制器性能下降的问题,如何设计一种对速度和车辆参数具有较强适应性的转向控制策略成为一个新的研究课题。本文首先分别对基于现代控制方法和智能控制方法的转向策略进行了研究,在此基础上融合两者优点,制定了一种基于预测补偿的智能汽车速度和参数自适转向控制策略。针对模型预测控制算法（Model Predictive Control,MPC）自适应能力弱和计算量庞大的问题,制定了一种基于MPC车速自适应的智能汽车转向控制策略（Adaptive Model Predictive Control,A-MPC）。通过实时纵向车速获得控制器在不同车速下的状态矩阵（State Matrix,SM）,并利用余弦相似度度量预定SM和实时SM的差异度,从而决定是否要对SM进行更新;采用模糊控制算法根据实时纵向车速和横向车速对MPC控制器的预测时域和控制时域进行更新,从而实现MPC控制器对车速的自适应控制。针对MPC控制器的控制精度依赖于被控对象数学模型精度的问题,采用机器学习中的强化学习算法进行智能汽车自适应转向控制策略的构建。分别研究了深度单Q网络（Deep Q-learning Network,DQN）和深度双Q网络强化学习（Double Deep Q-learning Network,DDQN）在轨迹追踪过程中的性能差异,通过对DDQN算法不同参数的对比分析,得到该策略的最佳学习率和回报函数,并针对不同车速设置多组DDQN进行车速自适应控制。通过直线和双移线仿真实验验证了基于DDQN算法的智能汽车转向控制策略能够在不需要知道被控对象数学模型的前提下,控制车辆以较高的精度和稳定性按照预定路径行驶。在分析了智能汽车分别基于MPC和DDQN算法的转向控制策略的基础上,融合两种算法,制定了一种基于预测和补偿的智能汽车自适应转向控制策略（MDDQN）,并验证了M-DDQN控制器对车辆参数和速度的自适应能力,仿真结果表明M-DDQN控制器通过融合MPC和DDQN,能够在减小对被控对象数学模型依赖性的前提下,以较高的精度稳定地控制车辆按照预定轨迹行驶。