智能汽车技术的发展极大降低了人为因素在交通事故中的影响,增强了汽车行驶的安全性。路径规划和跟踪控制技术是智能汽车技术的关键部分,逐渐成为科研单位以及社会企业的研究热点。智能汽车的路径规划主要考虑两个方面的问题,一方面是要求快速地规划出无障碍路径,以满足智能汽车及时避障的需求;另一方面是要求规划出曲率连续的最短路径,以满足车辆平稳行驶以及行驶时间最短。智能汽车的横向跟踪控制主要考虑在保证车辆行驶稳定性的同时提高跟踪精度。本文针对智能汽车的局部路径规划和横向路径跟踪展开研究。首先,针对快速扩展随机树（Rapidly-exploring Random Tree,RRT）算法的路径规划效率低且路径曲折冗长等问题,提出一种偏向目标点的新节点扩展方法,可自适应调节随机点引力与目标点引力在新节点扩展过程中的占比,与障碍物斥力共同使随机树避开障碍物更快地向目标点扩展;提出剪枝优化方法,通过添加估价函数,重新计算各采样点之间距离,构建新的有效路径,进一步优化路径长度;结合Bézier曲线,提出插入控制点策略,对折点处进行平滑,并采用曲线拼接方法解决了拼接点处曲率不连续问题。将融合改进的RRT算法分别与传统RRT算法、基于P概率RRT算法以及双向RRT算法进行仿真对比,结果表明改进方法在时间、路径长度以及路径平滑等方面均得到优化。其次,根据智能汽车横向跟踪控制要求,基于线性二次型最优控制（Linear Quadratic Regulator,LQR）算法,构建以误差为状态变量的路径跟踪模型,设计LQR横向跟踪控制器,运用前馈控制进行控制量补偿,使横向控制系统的稳态跟随误差收敛于零。通过Car Sim/Simulink联合仿真平台验证了不同车速下前馈LQR横向跟踪控制器的有效性。然后,分析了不同权重矩阵参数对前馈LQR横向跟踪控制器跟踪性能的影响,根据影响规律对前馈LQR横向跟踪控制器的权重矩阵参数自适应变化进行研究,将横向距离偏差和路径曲率作为调整权重矩阵参数的输入,构建前馈模糊LQR横向跟踪控制器,使得控制器能够根据行驶状态自适应输出最优控制量,不同速度下的仿真结果表明,基于前馈模糊LQR横向跟踪控制器在进行路径跟踪时能够同时兼顾精确性与行驶稳定性。最后,搭建硬件在环（Hardware in the Loop,Hi L）仿真系统验证控制器的有效性。通过将控制策略刷写到真实控制器中,并在双移线工况下进行仿真实验,表明了前馈模糊LQR横向跟踪控制策略在真实电子控制单元中能够有效运行。