通过车辆自感知进行路表面状态监控是智能网联交通环境下提升道路安全与通行效率的有效手段。多车数据所提供的大量样本和中央云平台的快速处理方法,可帮助在路面发生如结冰等表面材质变化的状况时进行及时准确的响应,降低交通事故的危害。当轮胎处于单一路面峰值附着系数的路面上行驶时,车轮滑移率与当前轮胎受到的路面附着系数有确定的对应关系。因此可基于滑移率与路面附着系数的特征推测当前路面的峰值附着系数,进而推测对应的路面类型,把握路面的变化情况。考虑真实交通环境中应用Burckhardt模型和车辆自感知数据进行路面峰值附着系数估算的问题,以非路口环境中出现频率较高的脉冲制动工况为研究对象,探讨在多车数据融合估算机制下提升估算准确性同时兼顾网联环境下通信实时性问题的估算方法。主要研究内容和成果如下:首先,针对目标工况的特性对可取的时间窗和数据进行实验测试和单车估算峰值附着系数方法的优化。Burckhardt轮胎-路面模型较为广泛应用于基于车辆行驶数据的路表面状况分析的相关研究中。由于Burckhardt模型为经验模型,因此当更换轮胎或轮胎受磨损等问题发生时,会引入估算偏差。另外,该模型在较低滑移率区间的模型特征与较高滑移率区间有显著差异。因此,过往研究中较少使用Burckhardt模型进行低滑移率区间的附着系数估算,部分研究选择忽略低滑移率区间的数据或者忽略特征异常的道路模型。以Burckhardt经典路面-轮胎模型进行图像对比估算路面附着系数方法为基础,提出以下方法上的改进:（1）针对对比模型中低滑移率区出现交线造成对比结果失效问题提出了分段定义的解决方案;（2）针对脉冲制动车辆动力学数据特性,提出了制动时间窗和拟合后最短有效截取的数据筛选与清洗策略;（3）针对脉冲制动特性,引入不考虑实验μ（s）曲线线性与非线性区段转折点、采用落点法与斜率法两种估算方法融合的优化机制。优化前后基于落点位置的估算方法有明显的差异,同时基于斜率的估算结果与基于落点位置的估算结果有明显不同的增长特性。最终结果显示优化方案使路面附着系数估算准确度从56.9%提升至75.6%。在完成了工况分析和数据截取规则后,研究设计Car Sim-Simulink车辆动力学仿真平台,收集在多样化车工况、路工况下的车辆自感知数据。实验设计6种制动器输出力矩、8种制动初始速度、5种车辆类型、3种路面类型（路面峰值附着系数分别为0.35、0.69和0.91）的全因子实验,共计获得720组实验数据（有效结果710组）。研究从多个角度分析实验结果,总结制动力矩、初始车速和车辆类型对实验结果的影响机制。分析结果引入关键特征参数包括:最大滑移率smax、路面峰值附着系数峰值μma x 1（基于落点位置）、μmax 2（基于斜率）、车辆静态参数主成分分析结果等14个特征参数。研究通过多种分类、回归神经网络试验,探索多车数据融合估算的方案、筛选最优特征参数组合。经过对相似度大于99.9%数据的清洗后分别得到以下结论:（1）高斯过程回归为最优回归网络,RMSE能够稳定在0.1左右,特征参数中制动末速度vt对回归效果没有明显影响;（2）二次核函数的支持向量机为最优分类模型,分类正确率可达83%左右,其中车辆静态参数的第一、二、三主成分对分类效果无明显影响。基于神经网络的特征学习结果显示出一定的过拟合特性,囿于实验样本数量的局限性,仅对样本进行针对特征参数相似度和数据异常值的清洗,若增加实验样本量可进一步降低相似度的阈值,可更进一步提高分类和回归效果。