进入21世纪以来,我国汽车行业实现了高速发展。截止至2020年末,我国民用汽车拥有量相比于2010年提高了200%,化石能源损耗和汽车尾气排放等问题愈发严重。行驶工况是汽车行业中一项重要的共性基础技术,是车辆能耗/排放测试方法和限值标准的基础。目前,我国尚未普及适用于国内交通环境的行驶工况,而以欧洲工况标准NEDC优化标定的汽车实际油耗与法规认证结果偏差较大。因此,有必要针对性地建立一种数学模型,以反映国内行驶特征的代表性行驶工况,为检验汽车燃油消耗量和污染物排放控制的研究提供理论参考。针对上述问题,本文从聚类分析和马尔科夫链随机过程两个方面研究了代表性行驶工况模型的具体构建方法,并以福州市乘用车行驶数据为例对模型的有效性进行验证,主要研究工作如下:1)结合方差分析和对比实验确定了特征参数的合理组合方式,最终确定将平均速度、平均行驶速度、加速段平均加速度等10个性能参数作为短行程样本的描述特征。这不仅节约了数据存储量,降低了聚类分析的计算开销,而且能有效克服数据聚类时出现的类间边界模糊、类别特征相似等问题,为后续的工况模型建模提供合理可靠的数据支撑。2)提出了K均值优化的BIRCH聚类算法（KM-BIRCH算法）,对短行程片段数据库进行聚类分析,研究了基于聚类分析的代表性行驶工况模型的建模方法,并将该建模方法应用于对福州市乘用车中低速、高速行驶工况进行建模。将整体工况模型与乘用车行驶数据库统计特征进行了对比,结果表明特征参数平均相对误差低于5%,工况模型的精度较高。相较于密度峰值聚类算法和模糊C均值聚类算法,KM-BIRCH算法所构建的模型精度分别提升了2.96%和3.26%。3)研究了基于马尔科夫链随机过程的代表性行驶工况构建方法,分析了是否采用聚类分析进行数据预处理对模型性能的影响,以构建福州市乘用车代表行驶工况模型为对象进行分析研究。实验结果表明:（1）所有工况模型与数据库的特征参数平均偏差均低于5%;（2）采用KM-BIRCH聚类分析方法更能捕获细粒度特征,区分不同行驶速度车辆的运行状态特征,从而准确地判定汽车工况类别。