为缓解空气污染、能源短缺以及交通拥堵,汽车电动化、智能化被认为是促进节能减排、提高交通效率的有效解决方案之一。混合动力汽车作为新能源汽车中典型的车型之一,长期以来一直受到了工业界与科研界的广泛关注。作为混合动力汽车最核心、最重要的技术之一,整车能量管理直接影响混合动力汽车的燃油经济性与排放性能。因此,如何设计出合理、高效的能量控制策略是混合动力汽车整车性能研究最关键的科学问题。同时,随着车联网、智能交通系统技术的高速发展,混合动力系统还需要利用周围的交通信息为目标车辆规划出更加合理的路线与速度,从而进一步提升整车的燃油经济性和通行效率。本文以混合动力汽车车队为研究对象,以城市道路为仿真场景,在网联环境下对车队中的每一辆车进行速度规划,进而采用人工智能算法对能量管理策略进行求解、优化。在此基础上,本文提出了一种基于皮尔逊相关系数的车队迁移能量管理方法来解决车队能量管理策略求解效率低的问题。具体研究内容如下:首先,根据混合动力汽车系统设计仿真软件Autonomie中提供的整车数据（包括发动机、电池、电机、传动轴等）,采用Python编程搭建了并联式混合动力汽车的动力系统模型,包括发动机模型、电机模型、电池模型、变速器模型和整车纵向动力学模型。其次,针对在城市路况中,安装信号灯的路口繁多、车辆需要频繁启停的问题,本文将如何让混合动力汽车车队高效地通过多个信号灯路口作为研究问题。对混合动力汽车车队的纵向速度进行规划,并将速度规划问题等效为带约束条件的多目标优化问题,利用模型预测控制方法对其进行求解。在此基础上,分三种不同（交通信号灯相位时间相同与位置间距相等、相位时间随机与位置间距相等、相位时间与位置间距都随机）的交通场景对速度规划方法的有效性进行了对比分析与验证。再次,以上述速度规划的结果作为混合动力能量管理策略研究的仿真工况,分别采用深度确定性策略梯度（Deep Deterministic Policy Gradient,DDPG）、近端策略优化（Proximal Policy Optimization,PPO）、软Actor-Critic（Soft Actor-Critic,SAC）三种基于Actor-Critic网络框架的深度强化学习方法对每一辆车的能量管理策略进行求解和优化。其中包括,分析三种方法在原理与网络结构方面的差异;根据仿真结果,从燃油经济性、电池充电保持性、算法收敛速度等多个方面对三种方法的优化性能进行评估和讨论。最后,针对为车队中每辆车都进行能量管理策略求解将耗费大量的时间与资源的问题,利用车队中每辆车的驾驶行为具有极强的关联和相似性这一事实,本文提出了一种基于皮尔逊相关系数的车队迁移能量管理方法。利用跟随车辆速度曲线与头车速度曲线之间的相似性,将头车的最优能量管理策略迁移至其跟随车辆,这种方法能够大幅度地提高策略的求解效率、节省计算资源,从而能够提升获得策略的实时性和最优性。随后,通过仿真实验充分证明了本文提出的迁移方法的有效性,通过与原始的训练结果进行对比,还证明了该迁移方法的最优性。最后,设计了新的车队驾驶工况对该方法的适应性进行了验证。