联网环境下的车辆队列自适应巡航控制在解决当今道路运输系统的一些关键的问题如缓解交通拥堵、提高道路安全性以及节能减排等方面拥有巨大潜力,在物流货运、城市客运等领域显示出广阔的应用前景,可带来相当显著的经济效益和社会效益。本论文针对车辆纵向队列协同自适应巡航控制（Cooperative Adaptive Cruise Control,CACC）系统中存在的通信损失、车辆无法准确建模、以及队列车辆跟踪切换问题进行研究,主要研究内容如下:（1）通常纵向队列系统中车辆的动力学参数是未知的,传统控制方法无法在未获得系统精确模型的情况下达到最优控制。为此,论文首先给出了集中式的车辆纵向队列模型表达,并分析其动力学参数变化对车辆运动轨迹的影响。进而提出了基于强化学习的自适应动态规划集中式控制方法,仅利用车辆的历史位置、速度、加速度与控制器输出数据实现车辆队列的最优控制。与基于神经网络的自适应动态规划控制方法相比,所提方法可以实现系统知识的在线学习以及实时控制,不需要预先输入大量的样本进行训练。（2）当纵向车辆队列内车辆执行变道脱离动作或队列外车辆试图执行合并动作时,跟随者车辆需切换其跟踪目标。为此,论文利用虚拟结构的思想,综合考虑切换目标前后被跟踪车辆的行驶状态构造虚拟车辆,实现对新目标的平滑跟踪。该方法克服了跟踪目标突然切换导致的较大跟踪误差,降低了切换过程中车辆加速度。仿真验证了所提方法在车辆跟踪目标切换下的平滑性能。（3）受网络通讯状态影响,车联网络中信息传递存在着丢帧现象。在假设车队速度连续不存在突变的条件下,提出了一种基于自适应无迹卡尔曼滤波的车辆状态估计算法,对车辆速度和车间距进行实时估计,用于补偿通信丢帧数据。仿真分析对比了不同通信丢包率下,有无通讯丢帧数据补偿方法对车辆队列跟踪性能的影响,验证了所提车辆状态估计及补偿方法的有效性。