近几年,互联车辆的队列控制受到学者的广泛关注,现已成为智能交通系统的重要分支之一。互联车辆的队列控制能够有效地提高车队的安全性,缓解交通堵塞,降低能源消耗。然而,环境的多变性、通讯故障及互联车辆系统中存在未知参数等不确定因素往往会影响车队的稳定性,甚至导致交通事故的发生。目前,针对互联车辆系统的研究主要集中在如何实现车队系统的链式稳定,缺乏考虑车队系统外界干扰、抖振抑制及输入饱和等问题的控制策略。本文主要针对具有不确定影响的互联车辆系统的队列控制问题展开研究,主要研究内容如下:针对具有外界干扰影响的车队系统,考虑较大初始距离误差引发的交通密度下降问题,提出分布式自适应滑模控制器,实现外界干扰影响下的队列控制。由于一个函数的上下界通常是不相同的,本章针对外界干扰上下界设计不同的自适应律。利用耦合滑模控制算法,实现外界干扰影响下的互联车辆队列控制。为了避免初始距离误差对车队系统稳定性的影响,进一步提出一种修正的等时车头距离策略,将具有任意初始值的距离误差转化为初始值为零的新的距离误差。通过数值仿真验证所提出算法的有效性和可行性。针对具有时变不确定影响的车队系统,考虑传统滑模控制的抖振问题,提出基于干扰观测器的滑模控制器,实现对时变不确定快速精准补偿和基于终端滑模的队列控制。通过设计有限时间收敛的干扰观测器,达到对不确定的快速精准观测的目的。为了抑制抖振,提出基于干扰观测器的终端滑模控制器。在链式稳定分析过程中,采取反证法和分段讨论法,无需对滑模面进行拉普拉斯变换,实现时变不确定影响下终端滑模控制的队列稳定。最后,通过数值仿真和搭建实验平台验证所提出算法的有效性和可行性。针对具有非线性不确定影响的车队系统,考虑传统控制方法收敛速度较慢的问题,提出基于多幂次趋近律的滑模控制器,实现互联车辆系统的快速收敛和队列控制。通过设计二阶干扰观测器,实现对非线性不确定的快速观测。进而,为了抑制抖振和提高系统的收敛速度,提出基于多幂次趋近律的滑模控制器。在稳定性分析过程中,采取李雅普诺夫稳定性定理和拉普拉斯变换。通过数值仿真和搭建实验平台验证所提出算法的有效性和可行性。针对模型参数未知和外界干扰影响的车队系统,考虑耦合滑模控制存在的瞬态问题,提出基于神经网络的滑模控制器,实现模型未知和外界干扰影响下互联车辆的队列控制。通过设计神经网络和干扰观测器分别对系统中的未知参数和外界干扰进行有效补偿,解决了自适应控制方法稳定性分析困难的问题。为了实现互联车队系统的链式稳定,将系统模型转化为关于距离误差的新的系统模型。利用拉普拉斯变换,给出实现车队系统链式稳定的条件,该方法在一定程度上能够缓解耦合滑模控制存在的瞬态问题。最后,通过数值仿真验证所提出算法的有效性和可行性。针对具有输入饱和约束影响的车队系统,考虑终端滑模控制中的奇异问题,提出非奇异终端滑模控制器,实现输入饱和约束下的队列控制。通过调整一个单参数,实现对输入饱和的补偿。进而,设计神经网络对车队系统中的非线性不确定进行近似估计。采取基于神经网络的非奇异终端滑模控制器,实现车队系统的队列稳定。神经网络中的基函数,仅仅依赖于领航者的速度和加速度。此外,互联车辆系统的非线性项不需要满足匹配条件。最后,通过数值仿真验证所提算法的有效性和可行性。