智能汽车因能有效减少交通事故、防治环境污染并缓解能源危机，其地位已逐步上升至国家战略层面。但由于智能驾驶系统的算法及构成复杂、内外影响因素众多且使用环境动态不可控，导致现有测评技术在效率和有效性方面均无法满足汽车产品的高安全性、高可靠性和高时效性要求。缺乏合理高效的测评方法已成为制约智能汽车研发和应用的瓶颈。为此，本文以商业化软硬件为基础，综合考虑覆盖度和测试效率设计了测试场景的生成算法，并集成开发了自动化的仿真测试评价平台，实现了对测试覆盖度、成本及有效性的综合优化。具体研究工作开展如下。
　　为设计出高效的测试用例，从而快速发现系统缺陷，进而提高智能驾驶系统的研发效率，能否定量化地评价测试用例的“有效程度”至关重要。但受限于智能驾驶系统自身及其应用环境的复杂性，导致无法在不执行测试的前提下直接评价测试用例的执行效果，使得在设计测试用例阶段难以兼顾其有效性。针对该问题，本文在构建智能驾驶系统影响因素树状分析模型的基础上，借助标度法与德尔菲法实现对工程师主观经验的客观化描述，并应用特征向量法与可能满意度法建立影响因素的相对重要度计算模型，提出测试用例的复杂度指标，从而实现了对测试用例有效性的间接评价，为后续用例及场景的生成与优化提供依据。
　　现有的智能驾驶系统测试用例设计方法多专注于用例的生成数量与测试覆盖度，而鲜有考虑其有效性，从而导致整体测试效率低下。针对该问题，本文在组合测试算法的基础上，引入复杂度指标对测试用例的生成过程进行改进，即在保证测试覆盖度的前提下，根据复杂度提升系数在“数量优先”与“有效性优先”两种生成策略中进行选择，进而提出一种基于复杂度的改进组合测试用例生成算法。在车道偏离预警系统中的实验结果表明，与PICT等传统组合测试算法相比，改进算法能够将测试用例的平均复杂度提升67%以上。
　　复杂度提升系数的设计是改进型组合测试算法的关键。但受限于算法自身的黑盒属性，导致难以通过常规的优化方法对该系数进行优选。为解决该问题，本文在建立测试用例的生成数量边界估算方程以实现优化指标归一化的基础上，应用贝叶斯优化方法推测出目标函数的统计分布特性，实现了最佳算法参数的快速、准确定位。然后，为实现“静态”、“离散”用例的“动态”、“连续”化，在应用层次聚类方法将相似用例聚合至同一测试场景的基础上，引入基于相似性与复杂度的排序算法，在进一步增强场景内相邻用例间相似性的前提下，让复杂度高的用例尽可能地被优先执行，从而在提升测试场景动态、连续性的同时提高系统故障的检测效率。
　　最后，为实现对上述测试场景自动生成与优化方法的快速验证，本文针对现有仿真测试工具多以人工方式搭建三维场景等不足，开发了一种可提高测试效率的自动化仿真测试平台。通过基于MATLAB设计的自动化测评执行程序，打通了平台中各组成部分间的数据共享与程序共用壁垒，实现了包括测试场景的三维建模、仿真软件的联合调用、场景初始化与用例切换，以及结果分析与报告生成等测试环节的全自动化执行。应用结果表明，该平台可将实验场景的平均测评执行时间缩减至人工方法的5%以下，本文提出的智能驾驶系统自动化仿真测试评价方法的有效性也在该平台中得到了验证。