随着我国“双碳”目标的提出和有关政策的推行,新能源汽车技术的发展需求达到了前所未有的程度。燃料电池混合动力汽车（Fuel Cell Hybrid Electric Vehicle,FCHEV）因其零排放、高效率和长续航等优点被认为是最具发展前景的新能源汽车之一。FCHEV的动力系统由两部分组成,燃料电池和锂离子电池。因此,有必要制定有效的能量管理策略（Energy Management Strategy,EMS）来对两个能量源进行功率分配。本文以东风X37的动力系统为研究对象,围绕EMS的设计做了以下研究工作:首先,总结了FCHEV在世界各国的发展历程,以及各国有关氢能源和燃料电池的政策变化趋势。分析了四种不同的燃料电池混合动力系统拓扑结构的优缺点,最终将间接燃料电池混合动力系统选为本文的研究对象,分别建立了车辆纵向动力学模型、驱动电机模型、燃料电池模型和锂电池模型,将以上子模型联系起来建立了面向控制的FCHEV整车模型,为能量管理策略的设计打下了基础。其次,根据滚动时域优化原理,本文设计了基于模型预测控制（Model Predictive Control,MPC）的能量管理策略,该策略聚焦三个优化目标:锂离子电池荷电状态保持、燃料电池效率提升和燃料经济性最大化,并满足实际物理约束。为节约最优控制序列的求解时间,本文在MPC策略中采用多重打靶法。为了验证MPC策略的有效性,本文在三种典型工况下对比了MPC策略与工业上常用的CD-CS策略的能量管理效果。结果表明,与CD-CS策略相比,MPC策略既能够保证锂离子电池有充足的电量储备,又能使燃料电池以更高的效率稳定运行,降低燃料电池耐久度损耗,还能节约更多的氢气。MPC策略的预测模型中并没有考虑车速这一随机扰动对能量管理效果的影响。为了改进这一不足,本文又提出了基于随机模型预测控制（Stochastic Model Predictive Control,SMPC）的能量管理策略,将车速这一随机扰动的估计过程融入预测模型内。本文采用基于支持向量机（Support Vector Machine,SVM）的驾驶模式识别和多模态马尔科夫链方法联合预测车速。为了提高SVM的识别精度,本文采用k折交叉算法优化SVM的训练过程。为验证随机预测模型的精度以及SMPC策略的有效性,本文进行了充分的仿真验证。结果表明,与传统SVM相比,k折交叉SVM有更高的识别精度。在三种驾驶模式下,多模态马尔科夫车速预测方法在短时域内均有较高的预测精度。与MPC策略相比,SMPC策略使燃料经济性得到了进一步的提升,同时SMPC策略也能起到维持锂离子电池SOC,提高燃料电池运行效率,平稳燃料电池输出的作用。