随着网络技术的发展,车联网将会为用户提供更加精细多样化的服务。然而,实时路网环境数据的缺失或粗糙,使得车联网服务平台难以感知精准的路网环境数据,导致服务提供能力低下。为此,本文基于虚拟车在信息空间中实现精准的路网环境感知,并重点对最优路径学习、虚拟车联盟发现、虚拟车联盟协同等虚拟车行为关键技术进行了深入研究,取得到如下成果:1.提出了一种基于集成神经网络的虚拟车学习方法,用于获取最优路径的相关知识,以便发现参与路网环境感知的车辆。该方法首先根据数据特征选择固定数目的神经网络;然后在新的数据到达时,基于提出的划分算法将集成网络分为三部分,并对其中两部分进行训练;最后将三部分重新集成。基于真实的数据实验结果显示,所提方法优于其他对比方法。2.提出了一种基于联盟博弈的虚拟车发现方法,用于发现虚拟车联盟,以便支撑局部路网环境数据感知。该方法首先确立感知目标,定义收益模型;然后设计虚拟车之间的博弈策略;最后虚拟车基于所提出的联盟发现算法,协作的完成局部路网环境感知任务。仿真实验结果显示,所提方法可以有效的发现虚拟车联盟。3.提出了一种基于协同控制理论的虚拟车协同方法,用于协同多个虚拟车联盟,以便实现对全局路网环境数据的最优感知。该方法首先基于空间聚类算法计算出多个平衡的虚拟车联盟;然后基于协同控制理论控制虚拟车之间的相互关系,实现虚拟车联盟间的高效协同;最后对所提的虚拟车联盟协同控制算法进行了理论分析。仿真实验结果显示,所提方法可以有效的实现多个虚拟车联盟协同。