随着高速铁路迅速发展,列车速度不断提升且追踪距离间隔不断缩短,传统的人工驾驶方式越来越无法满足当前高速铁路的发展需求。基于以上应用背景,ATO（Automatic Train Operation,列车自动驾驶）系统应运而生,并成为了当代铁路行业的研究热点。ATO系统不仅能够弥补传统司机驾驶的不足,而且能提升列车舒适性、能耗性、准时性等各项指标。因此,对列车自动驾驶技术的研究具有重要的意义。ATO系统的核心技术主要是控制策略与控制算法。在控制策略方面,现有研究没有考虑分相区对高速列车运行的影响,使生成的目标曲线与列车的实际运行情况存在误差。鉴于以上研究缺陷,本文搭建了满足舒适性、能耗性及准时性等指标的多目标优化模型,并将分相区作为约束条件之一,在此基础上使用粒子群算法对其进行求解,生成理想的目标速度曲线;在控制算法方面,由于现存的控制算法自适应能力不强,无法适应高速列车行驶途中的复杂环境,因此,本文设计了基于RBF（Radial Basis Function）神经网络的控制器,通过该控制器对生成的目标曲线进行追踪。本文的具体工作如下:（1）首先,对列车受力状况进行了详细的分析,搭建列车动力学模型,为评价指标等的计算提供力学基础。然后,基于列车过分相区必须要处于惰行工况的特点,对分相区位于不同位置时对列车运行的影响进行分析,并将其作为约束条件之一。最后,对能耗性、准时性及舒适性等评价指标进行了分析,将这些指标作为目标函数,结合约束条件,搭建出多目标优化模型。（2）结合线路数据与动车组参数,使用改进粒子群算法对多目标模型进行求解,并生成目标曲线。为验证优化后目标曲线的优越性,与节时控制策略下生成的目标曲线进行仿真对比,仿真结果表明优化后的目标曲线在充分利用运行时间裕量的前提下,其准时性、节能性等指标均优于节时控制目标曲线;同时,为了验证分相区对列车运行的影响,分析了考虑分相区与未考虑分相区这两种情况下的目标曲线,验证了考虑分相区的合理性。（3）设计了RBF神经网络PID控制器,对生成的目标曲线进行追踪,并与传统PID控制器进行对比。仿真结果表明,本文设计的控制器能够更好的对目标曲线进行实时有效的追踪,且满足列车行驶过程中的各项性能指标。