近似动态规划（Adaptive Dynamic Programming,ADP）和模型预测控制（Model Predictive Control,MPC）是求解连续时间系统最优控制问题的有效方法。但是模型预测控制方法受到非线性的影响实时性难以保证;另一方面传统的无限时域的近似动态规划方法虽然具有较强的处理非线性的能力,但是却存在学习效率低的问题。因此本文将这两种方法进行结合,研究一种连续时间的学习型的预测控制方法（Learning-based Predictive Control）。运动控制技术是智能驾驶关键技术之一,受到车辆系统强非线性以及道路环境因素的影响,使得传统运动控制方法面临困境。本文针对智能车的路径跟踪问题,考虑执行机构的约束,设计了基于学习型预测控制的路径跟踪方法,使得智能驾驶车辆能够在不同车速下跟踪多种道路场景。本文的主要创新点如下:（1）针对一类输入受限的连续施加非线性系统的最优控制问题,提出了一种滚动时域的自评价学习方法（Receding-horizon Based Adaptive Critic Learning,RHACL）。该方法采用滚动优化的机制,将无限时域的最优控制问题转化为一系列有限时域的控制问题。通过采用非二次型的回报函数处理系统输入受限的问题。在预测时域内设计了与时间相关的执行器-评价器网络,用以逼近时变的值函数与最优控制策略,并设计了在线同步的权重更新规则,在理论上证明了网络权重的估计误差是一致最终有界的。倒立摆的仿真结果表明提出的RHACL算法相比于无限时域ADP方法和离散时间HDP方法在收敛速度上调高了50%,在控制代价上降低了6.5%;在相同预测时域的条件下,RHACL算法的计算时间比MPC方法降低一个数量级。同时倒立摆的实验验证了RHACL算法的有效性。（2）针对一类模型未知的连续时间非线性系统的最优控制问题,提出了一种数据驱动的滚动时域自评价学习（Data-driven RHACL,DRHACL）方法。在该方法中设计了基于神经网络的辨识器用以解决系统模型未知的问题;为了提高网络的逼近能力采用了稀疏核的方法构建辨识器网络的基函数,并在理论上证明了辨识误差能够收敛到零。在辨识器的基础上重新设计了执行器-评价器网络的结构以及权重跟新规则。Vander Pol振荡器的仿真结果表明提出的DRHACL算法在控制代价上比无限时域ADP方法降低了14%,比离散时间HDP方法降低了29%;而在相同预测时域的条件下DRHACL算法的计算时间比MPC方法减少了70%。倒立摆实验验证了基于核特征表示的辨识算法能够以较高的精度逼近实际系统模型,同时也证明了DRHACL算法的有效性。（3）提出了一种基于学习型预测控制的车辆路径跟踪方法。首先构建了智能车的动力学模型和侧向偏差模型。然后设计了基于RHACL的侧向运动控制方法,在该控制方法中前馈控制量由参考路径的曲率以及偏差模型计算得出;反馈控制量是使用RHACL算法求解最优跟踪控制问题得到。之后在模型参数未知的条件下设计了辨识器,在此基础设计了基于DRHACL的侧向运动控制方法。在该控制方法中转向的前馈控制量是由参考路径的曲率和辨识器模型计算得到,而反馈控制量是使用DRHACL算法求解最优跟踪控制问题得到。在仿真环境下完成了智能车进行换道路径跟踪、8字型道路跟踪以及组合道路跟踪的测试。仿真结果证明了基于RHACL和DRHACL的侧向运动控制方法能使智能车在不同车速下跟踪多种类型的道路,并且相比于MPC方法和纯跟踪方法所提出的侧向运动控制方法对道路曲率的突变具有一定的适应性。当车辆以50km/h跟踪大曲率弯道时基于RHACL和基于DRHACL的侧向运动控制方法产生的最大侧向偏差分别为0.4869m和0.5704m;在跟踪S弯时基于RHACL和基于DRHACL的侧向运动控制方法产生的最大侧向偏差分别为0.5901m和2.44m。并且这些跟踪结果均优于同条件下的MPC与单纯跟踪方法。