随着经济高速发展,资源消耗和环境污染日益严重,电动汽车的发展有助于实现节能减排。研究电动汽车行驶工况识别技术对开发设计新车型、测试污染物排放、优化能量管理策略、提高整车性能有重要意义。本课题针对电动汽车城市道路行驶工况的识别问题,进行了以下工作:（1）按照电动汽车在城市道路上行驶的实际情况,以及我国现行的有关电动汽车的标准工况制定短行程规则。按照短行程规则,进行行驶数据处理与短行程片段划分,得到了 2923个短行程片段的行驶数据。使用主成分分析和K-means聚类分析分类短行程片段,按照交通拥挤度较高的城市道路低速行驶和频繁起/停工况、交通拥挤度较低的城市道路行驶工况、城市郊区混合行驶工况和城市快速道路行驶工况这四种行驶工况划分。将这四种工况的行驶数据作为智能混合搜索算法中分类器训练和测试所需的数据集。（2）提出了一种智能混合搜索算法来解决行驶工况特征参数选择问题。该混合搜索算法由粒子群算法与禁忌搜索算法结合而得。使用粒子群算法对行驶工况特征参数的分段参数部分的参数边界进行搜索和优化,由此计算出行驶工况特征参数全集;使用禁忌搜索算法在全集中进行搜索,选择出行驶工况特征参数最优子集。结果表明:提出的算法选择出11个特征参数组成的最优子集使随机森林分类器的识别准确度达到87.74%的较高水准,且能在较短计算时间内选择出特征参数最优子集。（3）建立了一种行驶工况识别模型。该模型由学习向量量化神经网络构成,使用由智能混合搜索算法选择出的行驶工况特征参数最优子集:平均速度（?）、速度标准差σ、平均加速度（?）、平均减速度（?）、减速度标准差σr、加速度平方的平均值（?）、速度大于0小于13.93km/h的时间占总时间的百分比η0v-13.93、速度大于13.93km/h小于77.42km/h的时间占总时间的百分比η13.93v-77.42、减速度大于-2.27m/s~2小于-0.61m/s~2的时间占总时间的百分比η-2.27r--0.61、加速度小于0.09m/s~2的时间占总时间的百分比η0.09a和加速度大于0.09m/s~2小于2.25m/s2的时间占总时间的百分比η0.09a-2.25这11个特征参数作为输入来描述构成各工况的短行程片段特征,并将电动汽车城市道路行驶工况的4个类别作为期望输出。通过对学习向量量化神经网络模型的训练和测试,其总识别准确率达到了 92.11%。为降低学习向量量化神经网络的竞争层神经元个数设置不合理对识别模型造成的不良影响,采用K折交叉验证的方法对竞争层神经元个数进行寻优,获得优化后的学习向量量化神经网络工况识别模型。优化后的识别模型对4种电动汽车城市道路行驶工况的识别准确度都优于优化前的识别模型,且总识别准确率达到了 93.65%。结果表明:学习向量量化神经网络用于电动汽车城市道路行驶工况识别是有效的,并具有较高的识别精度。