汽车保有量的逐年增长,在为人们日常生活带来了诸多便利的同时,也造成了交通拥堵、环境污染和能源短缺等各式各样的社会问题。由于驾驶员的工作负荷随着交通环境的复杂化不断增大,导致交通事故发生的频率也在不断增大。因此,研发具有辅助驾驶和自动驾驶功能的智能汽车成为解决交通拥堵、道路安全等问题的发展需求。由于智能汽车在缓解拥堵、减少事故和节约能源等方面显示出的巨大潜力,得到了学术界、工业界和政府部门的广泛关注。近些年来,得益于传感技术、通信技术和芯片技术等的不断发展,自动驾驶的可行性技术储备已日益完善。然而,若要实现真正的产业化,仍有许多亟待解决的技术难点。鉴于此,本文围绕有关智能汽车的车路状态估计、运动控制以及决策与控制架构的关键问题展开了研究。论文的主要研究内容如下:（1）考虑车辆的纵向运动、侧向运动、横摆运动和车轮旋转运动,建立了整车系统动力学模型,并利用Car Sim软件验证了该模型的准确性。基于Brush轮胎模型和车辆系统动力学模型,分析了轮胎的刚度参数和路面附着系数对轮胎力和车辆动力学响应的影响规律。基于平方根容积卡尔曼滤波（Square-root Cubature Kalman Filter,SCKF）算法,设计了可用于实时识别车辆纵向速度、侧向速度和质心侧偏角的状态估计器。（2）针对路面附着系数识别过程中模型失配和测量噪声不确定的问题,设计了一种可以避免误差累积的整体式估计方案。通过自适应计算轮胎的纵向刚度和侧向刚度,修正有效附着系数,在Brush模型的基础上提出了一种具有高精度的新型轮胎模型。基于最大相关熵准则自适应调整测量噪声协方差,提出了一种可以避免异常测量噪声干扰的改进SCKF算法。结合车辆动力学模型与所提出的新型轮胎模型和改进SCKF算法,设计了一种能够用于识别车辆左右两侧路面附着系数的估计方案,并基于不同类型的工况验证了该方案的有效性。（3）针对智能汽车目标状态跟踪时过程噪声和测量噪声不确定的问题,提出一种能够避免异常噪声干扰的鲁棒自适应SCKF算法。采用最大后验概率准则估计过程噪声协方差和测量噪声协方差的统计值,提高噪声稳定时SCKF算法估计的精确性。基于标准化测量新息序列设计故障检测规则,利用实时测量新息对噪声协方差进行校正处理,保证了算法对状态跟踪过程中异常噪声的鲁棒性。不同噪声干扰工况下的仿真结果表明,结合统计估计和矫正处理的鲁棒自适应SCKF算法,能够明显降低噪声统计不确定性对车辆目标状态跟踪精度的影响。（4）以分布式智能电动汽车为研究对象,基于模型预测控制理论设计了轨迹跟踪控制器,利用基于SCKF估计的轮胎侧向力实时修正了侧偏刚度参数,并基于硬件在环试验对控制器的有效性进行了验证。综合考虑轮胎力的饱和约束以及横摆角速度与质心侧偏角两个指标间的相对权重,设计了基于滑模控制理论的车辆稳定性控制器。在此基础上,设计基于归一化稳定性指数的权重自适应准则,进而提出了一种用于车辆轨迹跟踪与稳定性控制的自适应协同策略,并通过对比分析验证了该法在不同极限工况下的显著优越性。（5）针对高速公路典型驾驶场景,提出了一种考虑纵向安全和横向稳定性的智能汽车决策与控制架构。基于交通环境、相对位置、路面附着系数和车辆运动状态等信息,判断是否需要进行速度控制和换道操作;根据主车与障碍车的相对位置和车道线坐标,生成满足道路边界和碰撞避免约束的参考路径,并基于综合考虑安全性和舒适性的评价函数选取最优换道路径。采用前面所设计的控制器进行轨迹跟踪和稳定性控制,降低了决策规划层给控制层的“压力”,避免了跟踪精度与车辆稳定性的冲突。