近些年来,智能汽车发展迅猛,整个汽车行业正处于从传统汽车向智能汽车转变的关键时期。然而随着智能汽车的普及,也出现了一些新的问题和挑战,因此在智能汽车正式使用前,必须经过严格的测试与验证,对其诸多性能给予一个定量的评价。针对智能汽车测试与评价没有形成一个系统性的测试评价体系,且国外的一些测试方法和标准与我国的实际交通场景也不完全相符等问题,依托国家重点研发计划项目课题“全息交通状态重构与车辆群体协同控制测试验证”（2018YFB1600605）,本文对基于场景的智能汽车测试与评价方法展开了研究与讨论,主要研究内容如下:（1）利用改进后的系统聚类算法聚类得到了典型测试场景。针对经典系统聚类算法的多维指标存在多重共线性,没有考虑聚类中各个因素之间的差异性等问题,采用主成分分析、信息熵赋权以及判定样本连续性的方法对经典系统聚类算法进行了改进和优化。将自然驾驶数据中提取到的典型元素作为聚类对象,分别用两种聚类算法进行了聚类,利用聚类有效性指标DB（Davies-Bouldin Index）指数与CH（Calinski-Harabaz Index）指数对聚类结果进行了评价,结果表明,改进后的聚类算法的DB值为1.0627,CH值为1.2166,经典系统聚类算法的DB值为1.3659,CH值为1.0361,证明改进后的聚类算法的聚类精度有所提高,并由此得到了四类典型的测试场景,为后续的虚拟测试构建了场景基础。（2）利用Pre Scan虚拟仿真软件和Simulink联合搭建虚拟测试环境与车辆控制模型并进行了仿真测试。针对经典TTC（Time To Collision）控制算法存在的时间阈值固定及由于输入信号波动容易被误触发等问题,采用神经网络预测制动距离、加入滤波器对信号进行平滑、设置三次检测模块的方法进行了改进优化。选取安全性、乘车体验性和效率与能耗性三个方面作为评价的指标参数,分别在四种典型场景下对两种不同设计方案的待测车辆进行测试,并输出了相关指标参数。（3）构建了智能汽车模糊综合评价模型。采用可拓展层次分析法对各个评价指标进行赋权,利用模糊综合评价的方法对测试结果进行评价,验证了优化后的TTC算法比经典的TTC算法在安全性、乘车体验性和效率与能耗性方面都有所提升。