从汽车诞生之初,其制动性问题就随之而来,有关制动性的研究也一直持续到现在。无论是传统燃油汽车、混动汽车还是蓬勃发展的纯电动汽车,以及近几年受市场追捧的智能车,均面临着一个相同的问题,如何确保汽车的制动性处于良好状态,使驾驶人能够安全可靠的使用车辆。目前,汽车制动性检测主要依靠相关机构定期对车辆进行年检或审查,此方法已逐渐不能满足驾驶人的需求,如何利用行车制动数据对整车制动性进行追踪和判断成为目前研究的热点。本文综合了国内外现有研究后发现,目前车辆制动性研究多数是围绕智能车辆的紧急制动安全展开,设定的前提是车辆在使用中制动性能稳定不变且可靠,此前提并不符合真实情况。在此背景下,本文从车辆日常使用出发,结合驾驶行为研究,通过道路试验采集驾驶人不同制动场景中的行车制动数据,将制动距离作为研究目标,对其展开预测研究,为接下来整车制动性的监测研究提供理论依据。试验结果表明:在干燥路面,制动距离的离散性随着制动速度的增加而增大。在冰雪路面,高速制动（60km/h）相较于低速制动（30km/h）,在制动距离上,标准差增大了85.54%,制动输入对制动距离的影响效果被放大。在相同道路条件下,两个驾驶人使用的最大制动踏板力相差24.47%。结合附录量表可知,驾驶经验较少的驾驶人为确保行车制动安全,通常会选择更高的制动踏板力。基于深度学习方法,分别构建了LSTM与CNN-LSTM制动距离预测模型,选择制动时间、制动初速度等参数作为模型输入项。在预测结果中,CNN-LSTM模型误差值为0.61,比LSTM误差值减小了51.20%,较好的实现了对制动距离的预测。针对不同制动类型,分别建立常规与紧急制动预测模型,其误差值相较于混合制动模型分别减小了80.33%和73.77%,提高了对制动距离预测的准确性。本文分析了外界条件对制动距离的影响,为不同驾驶环境及个性化驾驶研究提供了拓展。引入深度学习理论对制动距离进行建模与研究,为未来通过预测等方法实现对日常行车制动效能的追踪提供了相关理论基础,具有较大的应用前景。