车辆自适应巡航控制系统(ACC)是上个世纪70年代发展起来的一种先进辅助驾驶系统，其主要目的是减轻驾驶员驾驶疲劳、改善道路交通使用效率以及提高行车安全性。目前，行车安全、道路拥挤、能源短缺以及环境恶化等问题已经引起了全球的重视，从而让ACC系统的研究得到了各大企业以及研究机构的广泛关注。　　本文针对现存的ACC控制算法的优缺点，主要研究了ACC系统安全间距策略、ACC系统的上层控制算法以及ACC系统的下层控制算法，并搭建了一个基于Prescan以及罗技G27的驾驶员在环仿真实验平台，提出了一套具有一定适应性的ACC控制算法。论文的主要工作如下:　　1)提出基于前车加速度的安全间距策略　　现有的汽车安全间距策略很少有考虑前车加速度这一重要的参数，导致计算出来的安全间距与实际需要的安全间距存在一定的偏差。本文以考虑两车相对速度的车间时距策略为基础，考虑了前车加速度，建立了基于前车加速度的汽车安全间距策略。通过Matlab/Simulink的联合仿真，实现了对本文建立的安全间距策略的仿真验证。结果表明，本文建立的安全间距策略能够计算出更为精准的安全间距，从而兼顾道路交通安全以及交通效率，为下一章建立合理的ACC上层算法奠定了基础。　　2)建立了基于人工神经网络的ACC上层控制算法　　本章基于美国NGSIM项目提供的跟驰数据，选择后车速度vh、前车速度vp以及两车实际间距sr与期望间距sfwd（由第二章建立的安全间距策略计算得到）之间的差se作为神经网络的输入，后车加速度αh作为网络输出（即三输入单输出）进行训练BP神经网络，最后使用训练好的BP神经网络预测五种常见行车状况的期望加速度，仿真结果表明，本文搭建的基于神经网络的ACC上层控制算法具有一定的适应性，在跟驰、接近、紧急制动、换道插入以及换道驶出等行车状况下能够预测出较为准确的加速度，从而使前后车保持一个安全间距。　　3)提出基于并行神经网络PID模型的ACC下层控制算法　　针对现有ACC下层控制器需要精确的车辆模型、动态性能差等问题，本文提出了基于并行神经网络PID模型的ACC下层控制算法，该算法不同于传统的利用神经网络在运行中修正PID权值的串行神经网络PID算法，而是在直接使用神经网络的基础之上再使用PID进行误差消除，解决了原来的控制器对系统变化的辨识速度慢，动态性能差，调整缓慢等问题。　　4)自主搭建出基于Prescan以及罗技G27的驾驶员在环仿真实验平台　　针对现在主动安全算法进行实车验证存在代价高、周期长以及危险性较大等问题，本文搭建了基于Prescan以及罗技G27的驾驶员在环仿真实验平台，该实验平台能够快速、安全、可靠且以较小的代价来对主动安全算法进行验证，为实车验证做好前期准备。　　最后，在该实验平台上对ACC控制算法进行整体仿真验证，结果表明，本文建立ACC系统能够在五种常见行驶工况下表现出很好的安全性、跟踪性以及动态响应，充分验证了本文所提算法的可行性和有效性。