本文针对一辆带有电控机械式自动变速器（AMT）的插电式并联混合动力汽车（PHEV）,建立了三种基于机器学习算法的车速预测模型,能量优化框架则选择模型预测控制（MPC）算法,采用庞特里亚金极小值原理（PMP）作为求解算法,进行了考虑电池温度影响的多目标能量管理优化,具体研究内容如下:首先,基于Autonomie数据库,本文建立了并联式PHEV动力系统主要部件的数学模型:发动机、电动机、电池和传动装置的准静态模型以及整车纵向动力学模型,之后分析了并联式PHEV不同的工作模式;并建立了基于规则的能量管理策略。其次,本文基于机器学习算法建立了三种短期时域内车速预测模型,包括BP神经网络（BPNN）、支持向量机（SVM）与极限学习机（ELM）,并对这三种不同预测器模型的均方根误差（RMSE）进行了对比分析,对于预测精度而言,BPNN与SVM的预测精度表现相似,ELM的预测精度表现略差,而ELM所需的计算时间更少。探究了现实历史工况数据对预测模型预测效果的影响,发现相比标准工况数据,采用现实历史工况数据作为训练集可以获得更好的预测效果,此外,将经过路径筛选后的现实历史数据作为训练集,可以获得更好的预测效果和更佳的燃油经济性。再次,为了对比MPC的优化效果,建立了全局能量管理策略,包括基于动态规划（DP）算法和PMP算法的能量管理策略,阐述了DP和PMP的基本原理;针对PMP中涉及到的打靶法,探究了三种不同的打靶算法的效果,包括二分法、遗传算法和粒子群优化算法,发现三种打靶算法均能满足要求,而二分法的求解速度最快。最后,本文结合短期车速预测模型建立了基于PMP的MPC能量优化方法,考虑了动力电池温度,建立了多目标优化框架,分析了温度权重系数对于能量消耗与电池温度的影响。与基于全局优化和基于规则的能量管理算法进行了对比分析,表明所提出的算法具有有效性与可行性。