在城市交通场景中,车辆跟驰是常见的交通现象之一。尤其是在交通拥堵的情况下,车辆的跟驰行为更为普遍,传统的车辆跟驰行为研究是根据车辆行驶数据进行行为建模。随着数据化时代的到来越来越多的高精度车辆行驶数据被保存下来,直接推动车辆跟驰控制技术研究的发展。其中,在车辆跟驰场景中可能会由于反应延迟时间过长导致不可预估的严重后果,故捕捉反应延迟这一驾驶行为特征,对车辆跟驰中的安全行驶是至关重要的,然而反应延迟这一特征在目前的相关研究中却经常被忽略。因此,本文针对车辆跟驰这一场景,对车辆跟驰行为进行了理论建模,提出可以自动估计反应延迟的车辆跟驰模型;同时为了降低反应延迟过长对车辆跟驰控制的影响,提出基于深度强化学习的自动驾驶汽车跟驰控制模型,实现车辆在跟驰场景下的自动控制,缩短了反应延迟时长,提高了安全性。具体内容包括:（1）自动驾驶汽车跟驰控制建模分析。对车辆跟驰模型中的驾驶行为进行了总结,然后以反应延迟驾驶行为作为研究对象,分析了其行为特性,对自动驾驶汽车的环境感知、行为决策以及跟驰控制的建立进行了讨论,为基于深度强化学习的车辆跟驰控制模型的设计奠定了良好的基础。（2）对车辆行驶数据集进行了清洗及预处理。首先对NGSIM行驶数据集进行介绍,分析了误差出现的部分原因,然后对原始数据集进行了数据重构,降低了数据误差,之后对重构后的数据进行跟驰过程的提取以及分析,为后续模型的建立提供了数据支撑。（3）提出了集成学习跟驰模型（AEL-CF model）。首先对车辆行驶数据集进行了数据清洗以及跟驰过程的提取与分析,然后提出了一种集成学习方法,并且将其应用于车辆跟驰行为建模,建立了集成学习跟驰模型。模型集成了注意力编解码机制以及期望度量方法,使用跟驰过程数据对模型进行驱动并验证,结果表明模型可以自动捕获反应延迟这一驾驶特征,有效改善了单一模型加速度异常变化的缺点。（4）构建了基于深度强化学习的自动驾驶汽车跟驰控制模型。为了实现跟驰状态下车辆的自动实时控制,提出了跟驰控制模型学习框架,并以此建立自动驾驶汽车跟驰控制模型。针对车辆跟驰这一场景,对模型的状态、动作以及奖励函数进行了设计,之后在CARLA仿真平台中进行了仿真实验。本文在单车道的跟驰场景中对模型进行了实验测试,结果表明智能体可以在不同状态下选择当下最优的行为动作,获得最大化的奖励值,相较于人类驾驶员缩短了反应延迟时长,实现了跟驰车辆的自动驾驶,证明了模型的有效性。