当今,世界汽车产业面临着百年未遇之大变局,以纯电动车为代表的新能源汽车发展迅猛。但是,在动力电池技术尚未取得重大突破,充电桩密度还较低的现状下,由于不能准确地预测车辆剩余续驶里程,导致用户出现“里程焦虑”现象和厂商选择保守的整车能量管理策略,都严重影响了纯电动车的驾驶体验。因此,准确地预测纯电动车剩余续驶里程对于纯电动车的推广和精细化能量管理策略的开发,都具有重要意义。本文以准确且稳定地预测纯电动车剩余续驶里程为目标,以统计学习方法理论为指导,以纯电动车运行数据为研究对象,开展了纯电动车剩余续驶里程建模预测研究,形成了一套“数据探查与预处理—特征构建—建模调优—模型融合—模型预测—预测结果评价”的纯电动车剩余续驶里程建模预测与评价的方法体系。论文开展的研究有:（1）纯电动车运行数据的处理。探查数据库中的纯电动车运行数据记录的全部字段,对各个字段的含义以及数据类型进行了描述。从数据库中提取了与纯电动车剩余续驶里程相关的字段,设计了原生数据进行异常值筛选、缺失值填充和剩余续驶里程字段构造的方案,并通过编程在集成开发环境中按照该方案对原生数据进行了预处理。（2）统计机器学习算法的调研与选型。将纯电动车剩余续驶里程预测问题抽象转化成为一个回归问题,进行各种回归算法的调研后,确定了基于岭回归、随机森林和XGBoost算法进行建模预测纯电动车剩余续驶里程的解决思路。（3）纯电动车剩余续驶里程影响因素分析。从纯电动车整车能耗和动力电池组剩余可用能量两个方面出发,分析并总结了影响纯电动车剩余续驶里程的若干因素。（4）数据特征构建。基于先验知识和基于遗传程序设计开发的应用符号转换进行了新数据特征构建,对原纯电动车运行数据维度进行了扩充。实验证明:采用维度扩充后的数据进行建模,所建模型预测结果的各项评价指标均会得到提高。（5）模型融合。详细描述了Stacking、Bagging以及加权模型融合这三种模型融合方法,在集成开发环境中开展了不同模型融合方法预测纯电动车剩余续驶里程的实验。结果表明:Bagging模型融合方法显著改善了剩余续驶里程的建模预测效果。基于论文所提的纯电动车剩余续驶里程建模预测与评价的方法体系,预测的剩余续驶里程结果与真实值相比最大误差不超过3.5%,平均绝对误差在2km左右,RMSE值接近于3km。相较于已有的研究,本文所开展的纯电动车剩余续驶里程建模预测研究结果的精度得到了较大改善。