近年来,车联网与自动驾驶技术的兴起为提高交通系统的安全性、稳定性、缓解交通拥堵和提升交通效率带来了新的机遇。随着相关政策法规的完善和技术的进一步成熟,网联与自动驾驶车辆的市场渗透率将逐步提升。届时,道路上会呈现出普通车辆、网联车辆、自动驾驶车辆以及网联自动驾驶车辆等多种车辆混行的场景。由于交通场景的变化,传统的交通模型与分析方法将无法用于评估车联网与自动驾驶技术对交通系统的影响。鉴于此,本文建立了智能网联环境下异质交通流的动力学模型并推导出其相应特性的解析分析方法。主要创新性工作有:（1）构建了网联车辆的跟驰模型。通过开展网联车辆跟驰实验,采集了实测的车辆运行数据。使用灰色关联度分析法来定量分析驾驶员接收到V2V（Vehicle-to-Vehicle）预警消息后驾驶行为的具体变化。依据数据挖掘分析结果,提出了MID（Modified Intelligent Driver）模型来评估V2V通信对交通流演化的影响。随后,对模型参数进行标定,结果显示MID模型的加速度标准差相比于ID（Intelligent Driver）模型降低了17.5%。通过稳定性解析分析和仿真分析,研究了MID模型所构成的网联交通系统的稳定性。结果表明:驾驶员如果对V2V提示信息做出正确响应,则网联车队能够缓解级联制动事件造成的扰动。（2）提出了一种可应用于多类含有时延结构跟驰模型的非线性稳定性通用解析分析方法。基于含有多时延结构的广义跟驰模型,推导得出其线性稳定条件。借助m Kd V（modified Korteweg–de Vries）方程解析解,获取广义模型非线性密度波的通用表示形式,并通过数值模拟验证了解析分析的结果。结果表明:对应于车辆间距和自车速度的感知时延对模型的线性稳定性有显著的影响;对应于速度差的感知时延不对交通系统的线性稳定性产生影响,对非线性稳定性有轻微影响。（3）推导出可应用于多类同质交通系统的霍普夫分岔通用分析方法。分别以时滞OV（Optimal Velocity）、时滞FVD（Full Velocity Difference）、时滞ID和时滞CACC（Cooperative Adaptive Cruise Control）模型为例,具体展示了同质交通流在超临界密度范围的分岔特性。通过周期边界条件下的交通仿真实验,验证了各案例中的分岔分析结果。结果表明:对应于车辆间距的感知时延会造成交通系统的失稳,而对自车速度的感知时延则可以抵消这一影响。（4）提出了适用于多类异质交通系统的霍普夫分岔通用分析方法。具体分析了普通车辆与CACC车辆混流,以及ACC（Adaptive Cruise Control）与CACC车辆混流两种异质交通流的分岔特性,并通过数值模拟来验证分岔分析的结果。结果表明:在普通车辆或ACC车辆构成的交通系统中普及CACC车辆,可以逐步改善交通流的稳定性。最后,综合应用所构建起的异质交通系统模型框架和通用分岔分析方法,研究了普通车辆分别与网联车辆、自动驾驶车辆以及网联自动驾驶车辆组成的混和流分岔特性。结果表明:仅具有单车智能的自动驾驶车辆并不利于提高交通流的稳定性,而网联车辆和网联自动驾驶车辆具有缓解交通振荡形成与传播的能力。本文所构建的智能网联车辆跟驰模型可应用于现有交通仿真软件的模块升级。研究结果对交通管控和规划的指导意义有:ACC或CACC控制系统的速度感知时延与间距感知时延在设计时需相互匹配;交通系统网联化建设可先于自动化。此外,本文所提的非线性稳定性与分岔分析方法具有通用性,并不局限于智能网联交通流,可适用于多类交通流模型。因此,研究也在一定程度上为下一代交通流的特性分析提供了理论基础。