随着计算机技术的发展,在汽车行业的研发过程中,信息技术与人工智能等技术发挥了越来越重要的作用。自上世纪90年代开始,研究人员致力于改善汽车的性能、安全性、舒适性等性能,研发出了越来越多的控制系统,并且开发出了新的驾驶辅助系统。在整车控制领域,对汽车运动状态的估计是十分重要的一环,运动状态估计的准确与否决定了控制效果的好坏,并且随着整车控制系统、驾驶辅助系统、自动驾驶系统越来越复杂,对参数估计的准确性与多样性的要求也越来越高。卡尔曼滤波、扩展卡尔曼滤波,无迹卡尔曼滤波等滤波算法因其计算复杂性较低,可以用来处理非线性问题以及计算精度比较高等特点被广泛应用在状态估计领域。随着神经网络的逐步发展,越来越多的研究人员尝试将状态估计与神经网络相结合,来丰富估计参数的多样性以及提高估计结果的精确性,如BP神经网络,卷积神经网络,递归神经网络等。在状态估计领域,神经网络的引入不仅可以对汽车的运动状态参数进行估计,而且可以对汽车所处的环境如:路面信息等进行量化的感知。本文以状态估计算法为研究对象,对基于滤波的状态估计算法与神经网络在状态估计领域的应用进行探索。本文首先对传统估计算法进行了改进,而后将神经网络引入到估计算法中来,对整车侧偏角,侧倾角以及附着系数等路面信息进行了估计,提高了整车对环境的感知能力。本文的具体工作如下:1.介绍了状态估计领域常用的轮胎建模方法与整车建模方法。介绍了状态估计领域常用的滤波算法,如经典卡尔尔曼滤波、扩展卡尔曼滤波等算法,详细阐述了其数学原理、应用场景与数值迭代求解方法。介绍了神经网络的基本原理与卷积神经网络（Convolutional Neural Network,CNN）、递归神经网络（Recurrent Neural Network,RNN）、LSTM（Long Short Term Memory）等神经网络算法的网络结构、正向传播与反向传播、优缺点以及在状态估计领域的应用。本文将滤波算法进行改进并将神经网络算法应用到状态估计领域,针对参数估计精度与多样性提出改进方案,并指出神经网络的引入可以极大的提高经典状态估计算法的效果。2.对轮胎与整车进行建模,以扩展卡尔曼滤波为基础并对其进行适当改进,考虑到行驶过程中,由于工况变化或汽车本身的非线性所导致的估计不准的问题,通过引入修正系数对滤波算法进行改进以提升参数估计的精度。并引入卷积神经网络对路面信息参数进行量化的估计。3.设计递归神经网络（RNN）与对应的输入输出向量进行状态估计。在不同路面,不同工况下采集大量数据用于网络的训练,并进行调参。使用LSTM神经网络进行改进,提高了参数估计的精度与算法整体的鲁棒性。4.使用实车进行数据采集,并对网络结构进行训练。使用训练好的模型进行实车测试,设计了多种不同工况进行测试。结果显示估计误差均在合理范围内且鲁棒性较好,估计精度满足要求,证明了本文提出的估计算法的有效性。