汽车工业的发展和汽车保有量的增加，给世界能源、环境带来了巨大的挑战，发展新能源汽车是解决问题的根本途径。由于电池技术在短期内难以解决寿命、成本和能量密度等问题，导致电动车的续驶里程短、整车成本高、难以产业化等问题。增程式电动车以其自身的优越性成为近阶段具有发展前景的新能源汽车产品。本文主要对增程式电动车控制策略进行研究。对关键部件进行参数选择，分析增程式纯电动车工作模式，以matlab/simulink完成控制策略的初步设计。基于AVL-cruise软件搭建整车仿真模型，完成离线仿真验证。以粒子群（PSO）优化算法为基础，对控制参数进行全局多目标优化。结合神经网络自学习功能，研究基于LVQ神经网络工况识别的自适应控制策略。文章的主要研究内容如下几个方面：首先介绍了混合动力汽车的分类及其特点，研究了增程式电动车及其控制策略的研究现状，介绍本文的研究内容。研究增程式电动车动力系统参数匹配，根据动力性能指标，对发动机-发电机、驱动电机、动力电池及传动比参数选择。基于cruise软件搭建整车仿真模型，进行动力性能仿真，验证匹配结果的合理性。重点分析增程式电动车工作模式和控制流程，对发动机采用基于车速的三工作点控制策略。对于制动工况，根据现有前后摩擦制动力与电机制动力的分配算法，提出新的基于电机强度的再生制动力分配控制策略。基于matlab/simulink完成整车控制策略模型的初步设计，完成仿真验证。分析advisor软件与优化程序的接口程序，以粒子群优化算法为基础，基于特定循环工况，以燃油经济性、排放性为目标完成优化，得到全局最优控制参数。仿真结果表明整车控制性能大大提高。研究了LVQ神经网络自适应控制策略。通过对五种蕴含了从低速城市到高速郊外的5种运行工况，进行优化得到5组优化控制参数。提取5中工况的车速、加速度等特征参数作为样本，训练学习LVQ神经网络，得到权值矩阵。建立工况识别器模型并嵌入到整车控制策略模型中。仿真结果表明自适应控制策略能自动识别工况类型和最优控制参数的切换，提高了燃油经济性和排放性。