混合动力汽车作为一种多能量源共同驱动的新型交通工具，所采用的能量管理策略很大程度上影响了混合动力汽车的性能。能量管理策略根据汽车动力系统的特性和实时的运行工况，在不同驱动能量源之间合理的分配转矩，从而获得最优的燃油经济性能、最低的污染排放指标以及舒适的驾驶操控性能。本文针对混合动力汽车能量管理策略现存的问题，结合模糊控制、深度神经网络、多目标优化、车辆通信等相关技术，对能量管理策略展开深入研究并提出优化和改进，主要研究工作如下：
　　首先，本文以武汉市道路交通为研究对象，应用车载实时监控技术，搭建了工况采集系统，并采用自动编码器构建武汉市代表性行驶工况。该方法利用编码器特征提取、数据压缩的特性以及解码器数据重构的功能，使得重构数据尽可能逼近车辆实际速度及变化规律。针对代表性行驶工况，研究工作提出了双梯形模型对解码器输出的重构数据进行工况模态化，并通过评价指标和特征分析验证所提出模态化模型的有效性。
　　其次，提出了一种基于改进鸽群算法优化的模糊能量管理策略，并在此基础上构建了基于深度置信网络的工况识别器，两者的融合使得模糊转矩分配控制器通过离线优化可以依据工况类型确定其对应的隶属度函数和控制规则。仿真结果表明，将行驶工况识别技术融入到能量管理策略中有效解决了隶属度函数和模糊规则的选取和确定过于依据主观工程经验的问题，同时降低行驶工况多样性对系统的扰动影响，更加有效的提高能量管理策略的性能。
　　第三，提出了一种车辆通信下基于混合深度模型的短期工况预测方法，并将其应用于基于模型预测控制的能量管理策略。该方法收集来自周围车辆和(或)路侧单元所广播的状态信息，并对这些信息进行处理，以设置混合深度模型的参数值。混合模型输出给定预测时间的短期工况数据，利用模型预测控制将每个采样时刻将控制时域的扰动纳入滚动优化从而提升全局解的性能。此外，分析了车联网通信对预测精度的影响。最终，仿真实验验证了本研究所作的优化和改进对于提高混合动力汽车的能量利用率具有重要的现实意义。
　　第四，提出了基于优势函数的深度强化学习能量管理策略，该方法在深度Q网络的基础上引入标准化优势函数以保证在输出动作的同时其对应的Q值是最大值，实现了状态空间的输入端和动作空间的输出端均是高维且连续的。为了完善对行驶工况多样性的适应效果，进一步提出了车联网环境下的在线强化学习架构。仿真结果表明，基于优势函数的深度强化能量管理策略在降低油耗和减少排放方面均得到了明显的改善。