自适应巡航系统（Adaptive Cruise Control,ACC）作为高级驾驶辅助系统（Advanced Driver Assistance System,ADAS）的重要功能之一,其能够有效地降低驾驶员的操作疲劳感并提升驾驶员的驾驶感受。ACC系统在研究之初主要将重点放在车辆的行驶安全性之上,而随着ACC系统的不断发展,针对ACC系统的研究由车辆跟随性的单一目标控制逐渐转变为对车辆安全跟随性、燃油经济性的多目标控制。车辆在实际的行驶过程中其跟随性与燃油经济性会受其所处的行驶工况影响,而现今ACC系统的多目标控制对车辆行驶工况的考虑较少。为了提高ACC系统在不同行驶工况下的多目标控制能力,构建了一种基于车辆行驶工况的多目标巡航控制系统,主要研究内容由以下几部分组成:首先,将基于单车道并带有自适应巡航功能的车辆作为研究目标,并据此推导出了车辆纵向运动学的离散状态空间方程,为上层控制器的算法设计打下基础;之后确定出基于车辆行驶工况的ACC系统的整体控制框架,对ACC系统的下层控制器进行了逆纵向系统动力学建模,并为驱动控制与制动控制建立了控制切换逻辑,最后采用了加速度阶跃、斜坡与正弦变化三种输入来验证下层控制器对期望加速度的跟踪能力,结果表明车辆能对期望加速度进行及时稳定的跟踪。其次,探讨了车辆行驶工况识别的主要研究路线,之后确立了车辆行驶工况的识别框架,在构建框架的基础上进行了典型循环工况的选取、样本工况数据的划分与特征参数的选定,确定了BP神经网络（Back-Propagation Neural Network）的基本结构,并确定了神经网络的输入层、隐藏层与输出层神经元个数、采样窗口长度等参数,最后构建了一个组合行驶工况用于车辆行驶工况识别算法的验证,验证结果表明构建的行驶工况识别算法对组合的行驶工况有着较高的识别准确率。之后,根据ACC系统的整体控制框架搭建了车辆ACC系统的上层控制器,采用模型预测控制（Model Predictive Control,MPC）作为上层控制器的控制算法,结合第二章的车辆纵向运动学模型推导出ACC系统的MPC算法模型,对模型中的各控制变量进行约束,并将MPC控制算法转化为二次规划问题进行求解;之后为了提高车辆在不同行驶工况下的综合适应能力,在MPC控制算法的基础上进一步采用模糊控制对车辆上层控制器的权重系数进行动态控制,同时考虑了车辆在不同行驶工况下的性能需求,针对城市、城郊与高速三种工况设定了不同的跟随性权重系数与燃油经济性权重系数,完成了三种工况的模糊控制器的构建。最后,搭建了Carsim与Simulink的联合仿真模型并设定了基本的控制参数,对基于车辆行驶工况的自适应巡航系统的跟随安全性与经济性进行了仿真验证,建立了一个包含城市、城郊与高速三种工况的组合行驶工况用于仿真测试,取城市、城郊和高速三种工况的变权重系数控制器的仿真片段与不考虑行驶工况的固定权重系数控制器的仿真片段进行对比,并对三种工况的经济性能与跟随性能进行细致分析,仿真结果表明了所设计的算法会使车辆在城市工况与城郊工况下有着更好地燃油经济性的表现,在高速工况下车辆的跟随能力有着更好地提升,说明了控制算法可以侧重车辆在不同工况下的性能表现。