悬架作为汽车底盘系统的重要组成部分,其性能的好坏对车辆行驶的安全性、驾驶员乘坐的舒适性及驾驶体验具有重要影响。其中,控制算法作为悬架性能提升的关键因素,是当前悬架系统研究的重要课题之一。当前人工智能在汽车领域的诸多应用,为智能悬架控制策略的设计提供了新的契机和方向。因此,本文从机器学习的角度出发,通过构建数据集、应用机器学习方案对经典的LQR控制进行改进,以解决依赖主观经验选取控制器权值的问题,并在此基础上实现多个悬架性能模式的智能切换。首先对单轮路面输入模型和预瞄控制路面输入模型进行推导,并搭建经典的1/4车辆和1/2车辆主动悬架模型,完成了智能悬架系统底层LQR控制器的设计。随后,以此控制模型为基础,通过改变路面、车速、各性能指标权值,构建了两个分别包含60k个样本点的1/4车辆和1/2车辆主动悬架机器学习数据集,为后文机器学习算法的应用提供了足够数量的样本数据。针对LQR控制加权系数的选取过于依赖专家经验的问题,结合机器学习算法中的BP神经网络提出了一种GBL控制算法。利用GA优化的BP神经网络实现了LQR控制器优化效果的预测,并在预测集中寻优求得加权矩阵的最优解,最后回代至LQR控制模型进行仿真验证。结果表明,GBL控制算法能够准确地预测LQR控制器的优化效果,该权值优化方法更客观、更有效。在上述机器学习定权方法的基础上引入聚类算法,提出一种GKL控制算法。通过K-means算法对LQR控制数据集的样本点进行聚类分析,根据各性能指标优化效果的不同,将悬架划分为三种不同的性能模式,并推导了每种性能模式的最优加权矩阵。最后对每种工况每种模式下的LQR控制模型进行仿真,验证了智能悬架系统同一性能模式控制效果的稳定性以及不同性能模式控制效果的多样性。针对基于机器学习方案优化设计的三种性能模式,完成了智能悬架顶层切换控制系统的设计,并在Stateflow模块中搭建多模式切换控制系统模型,通过改变行驶工况对切换控制策略进行仿真,证明了本文所设计的切换策略的可行性。本文所构建的LQR控制机器学习数据集,能够为汽车研发人员提供有效的样本数据,提高悬架系统设计效率,简化汽车的开发流程。此外,本文所提出的机器学习方案,有效地避免了设计过程过于依赖专家经验的问题,为LQR控制器的设计和其他控制算法参数的优化提供了一个新的思路,可以促进相关理论研究和工程应用的发展。