混合动力汽车是解决能源紧缺、环境污染等问题的重要途径之一。能量管理策略作为混合动力车辆的关键技术,通过优化多动力源之间的能量分配,降低燃油消耗,提高车辆的燃油经济性。本文以串联式混合动力履带车辆为研究对象,研究了基于强化学习的在线更新能量管理策略和基于工况预测的能量管理策略,通过搭建硬件在环仿真平台进行了仿真验证和实车试验。建立了串联式履带车辆驱动系统数学模型和前向仿真模型,包括发动机-发电机模型、动力电池组模型、电机模型和整车动力学模型。以实车采集的车速工况作为前向仿真模型的目标工况,进行了仿真试验。通过对比仿真试验与实车试验结果,验证了搭建的车辆驱动系统模型的准确性。提出了基于强化学习的在线更新能量管理策略。基于递归算法,实现了需求功率转移概率矩阵的在线更新。以Kullback-Leibler偏异率作为不同转移概率矩阵差异的评价指标,确定管理策略的更新时刻。提出了强化学习常规Q-learning算法的变形算法快速Q-learning算法,以提高控制策略的求解速度。采用在线更新算法和离线算法进行仿真试验,结果表明,基于快速Q-learning算法的在线更新的能量管理策略可以有效节省燃油消耗,提高履带车辆的燃油经济性。基于多尺度工况预测方法,提出了工况预测的能量管理策略。针对预测误差会影响能量管理策略优化效果的问题,将基于强化学习的实时校正算法引入预测能量管理策略。以预测的均方根误差和误差标准差作为输入,通过模糊控制来调节预测能量管理算法和强化学习控制算法在最终控制中所占比重,达到了改善车辆燃油经济性的目的。基于MotoTron控制器和RT-LAB实时仿真系统搭建了硬件在环仿真平台,验证了第三章所提出的基于快速Q-learning算法的在线更新的能量管理策略。在Moto Tron控制中建立整车控制策略,在RT-LAB中搭建整车模型,采用CAN通讯接口,实现实时通讯。仿真结果表明在线更新的能量管理策略可有效节省燃油消耗,提高车辆的燃油经济性。基于实车数据,以硬件在环仿真代替实车试验,验证了提出的能量管理策略的优化性。