随着世界汽车保有量的迅速增加,环境污染、交通拥堵,交通事故,能源短缺等问题频发。有研究表明,基于车联网技术的车辆队列控制可以提高道路容量和道路通行率,有效减少交通事故和交通拥堵。当前的智能网联车辆队列控制多为电动车队列控制,存在着乘坐舒适性差、较少应用于混合动力汽车、无法充分发挥混合动力汽车节能潜力等问题。如何在保证队列安全性、稳定性的前提下提高车辆乘坐舒适性和燃油经济性,是队列控制算法的开发难点。本文提出了一种基于深度强化学习（Deep Reinforcement Learning,DRL）的智能网联混合动力汽车（Connected Hybrid Electric Vehicles,CHEV）队列分层控制方法,建立了队列动力学模型,设计了上层多目标纵向队列控制算法和下层多系统动态协调控制算法。本文的主要研究内容分为如下几个方面:（1）智能网联混合动力汽车队列动力学建模。队列动力学模型包含车辆动力学模型和车间距离模型两部分。首先,基于功率分流式混合动力汽车动力系统构件实验数据,选择合适的建模方法,在Python中建立功率分流式混合动力汽车动力学模型,为后续进行智能网联混合动力汽车队列控制提供仿真平台和模拟环境。然后,在分析不同的车间距离模型与加速度输入输出特性后,建立基于固定车头时距的车间距离模型。（2）提出基于模型预测控制（Model Predictive Control,MPC）的上层多目标纵向队列控制方法。建立通信层,对道路中车辆信息进行收集和处理。采用基于状态反馈误差的鲁棒预测模型,来消除由于参数误差或者车辆动态特性变化引起的模型失配现象,增强预测模型的准确性和鲁棒性。分析基于车辆安全性、舒适性和经济性的多目标优化问题,建立相应的目标函数,有效解决了多目标对于车辆控制要求相矛盾的问题,利用模型预测控制算法不断优化加速度增量,从而获得最优期望加速度。采用WLTC工况进行仿真,从队列安全性、稳定性与乘坐舒适性三方面对仿真结果进行分析。（3）提出基于深度强化学习的下层多系统动态协调控制方法。下层控制器根据上层控制器求解的最优期望加速度以及当前车辆状态信息,求解最优发动机功率与电机功率分配方案以提高车辆的燃油经济性。首先,根据发动机与电机动态特性,选择发动机为主要控制对象进行控制,将由发动机最优工作曲线和电池特性组成的专家知识嵌入到深度强化学习算法中,利用发动机最优工作点曲线,减少控制量,降低控制量维度,缩小算法搜索范围,降低计算负担,提高算法的计算速度。然后,分析车辆各个状态量对深度强化学习算法动作值的影响,阐明基于深度强化学习算法的下层多系统动态协调控制原理。其次,采用在离散空间表现良好的深度Q学习算法（Deep Q-Network,DQN）进行基于DQN算法的下层多系统动态协调控制器设计,为了解决由于离散化所导致的控制量不准确问题采用在连续空间表现良好的确定性策略梯度算法（Deep Deterministic Policy Gradient Algorithm,DDPG）进行基于DDPG算法的下层多系统动态协调控制器设计。最后,NEDC工况下仿真结果表明,基于DQN的下层算法比基于DDPG的下层算法,计算速度快,但算法收敛速度慢,燃油经济性差。（4）智能网联混合动力汽车队列分层控制方法仿真验证。采用IM240工况和HWFET工况进行仿真,结果表明,本文所提出的两种基于深度强化学习的智能网联混合动力汽车队列分层控制算法,均可以在保证队列中车辆安全平稳的跟随前方车辆的同时,提高了车辆的燃油经济性和乘坐舒适性,但基于DDPG算法的CHEV队列分层控制方法适应性更好,燃油经济性更高。