协同式车辆队列技术可控制自动驾驶汽车以编队形式行驶,其中跟驰车辆通过无线通信和车载传感器获取邻近车辆的动态信息,从而提升控制系统的综合性能,确保自动驾驶的安全性和舒适性。而且,与人驾车辆相比,车辆队列缩短了跟驰车与前车的车头时距,不仅提升了通行效率还降低了风阻,从而减少燃油消耗和碳排放量。然而,无线通信很容易受到复杂交通环境的影响,消息传递存在一定的延时,导致接收信息的相位滞后。这对车辆队列的串稳定性造成了较大的影响。因此,本文首先对协同式车辆队列系统模型进行数值分析,得到在当前系统设定下的通信延时理论边界极限,并在通信延时超过该边界后,提出了一种基于深度学习方法的车辆队列通信延时补偿策略,论文的主要研究工作如下:本文首先对车辆队列系统进行建模,其中包括三阶车辆动力学模型、信息拓扑结构、间距策略和控制器模型。在此基础上,研究通信延时对车辆队列系统串稳定性的影响,提出一种确定通信延时边界的数值分析方法。在频域中,利用系统模型和串稳定性定义在各个频率点处获得一系列控制器增益的三维稳定体。随后,在车辆运动状态频率范围内将对应的三维稳定体相互融合,形成当前系统参数设定下的稳定参数空间。随着通信延时的升高,稳定参数空间在不断缩小。当该空间即将消失时,当前的通信延时数值即为系统可容忍的最大通信延时边界。当通信延时超过该边界后,任何控制器参数的调整均无法保证系统的串稳定性。在通信延时边界工作的基础上,本文继续研究了通信延时超过该边界之后的补偿方法。通过对比多种深度学习模型（RNN模型、GRU模型、LSTM模型）对前车动态的预测性能,选取一种用于通信延时的补偿策略。长短期记忆（Long Short-Term Memory,LSTM）模型可在更长的短期记忆范围内捕捉时间序列数据的特征,从而取得更加精确的预测性能。因此,本文选取LSTM模型来预测通过无线通信传输的前车动态数据,并将LSTM作为预测模块融入原车辆队列系统当中,提出了LSTM控制系统架构。基于该架构,通过数值分析的方式,讨论CACC系统含有LSTM预测模块,与不含LSTM预测模块时,协同式车辆队列在不同通信延时情况下的变化情况。在仿真测试实验方面,本文首先通过搭建双向耦合车辆队列离散事件仿真平台,为后文中的仿真测试提供良好的研究基础。基于该仿真平台,本文对所提出的通信延时边界数值分析方法进行验证。仿真实验通过“加速-巡航-减速”、“正弦运动”两种工况,对车辆队列进行测试。并在通信质量衰减的条件下,测试队列车辆的速度、速度误差、间距误差、车头时距等基本性能指标,并分析队列系统稳定性的变化。仿真测试结果验证了通信延时条件下CACC稳定性的边界数值;为了验证通信延时补偿方法的实际应用价值,本文利用实车测试数据集NGSIM（Next Generation Simulation Program）,研究了不同输入数据源对预测精度的影响。其中编号为ID 513的车辆的运动状态数据被选做头车动态输入。实验结果表明,LSTM的预测拟合优度（~2）可达到0.768。当通信延时超过0.115时,LSTM控制系统可在通信延时衰减的情况下确保系统稳定性。该方法为协同式车辆队列提供了另一种网联数据来源,从而缓解了通信延时较高时无法保证车辆队列稳定性的问题。本文所提出的基于LSTM的通信延时补偿方法,可在通信延时超过其边界极限的情况下,很好的缓解了因通信延时而造成的队列系统不稳定现象。因此,本文方法对协同式车辆队列技术的商业化落地,具有十分重要的科学意义与应用价值。