燃料电池混合动力汽车使用氢气作为主要的动力源,理论上可以实现零排放,零噪音,因此是目前应对全球变暖,解决石油枯竭问题的有效方法之一。由于其具备氢燃料电池和锂离子电池两个动力源系统,因此必须制定合理的能量管理策略以实现行驶过程中动力输出功率的合理分配。基于规则的能量管理策略鲁棒性强,可在线应用但十分依赖工程经验,对行驶工况敏感且适应性差;基于优化的能量管理策略优化能力强,理论上适用于所有工况但存在计算难度大,需要建立准确的数学模型等缺点。因此,综合这两类策略优势的能量管理策略成为了近年来的研究热点。本文针对燃料电池混合动力汽车的能量管理问题,提出了基于规则学习方法的能量管理策略,主要研究内容有:（1）分析了燃料电池混合动力汽车的整车构型,建立了整车的纵向动力学模型。根据动力源的输出特性,建立了燃料电池和锂离子电池输出功率的数学模型,并在研究影响动力系统衰退因素的基础上,建立了动力系统的衰退模型,为能量管理策略问题的求解奠定基础。（2）建立了基于极小值原理的燃料电池混合动力汽车的优化目标函数,分别在动力系统未加约束、燃料电池输出功率变化率受约束和锂电池充放电倍率受约束等不同约束条件下,分析了基于极小值原理的全局优化策略下的氢气消耗情况,为基于规则学习的能量管理策略求解离线数据集奠定基础。通过基于MATLAB平台的仿真实验结果得知,动力源输出不受约束的情况下能获得理论上的动力源系统效率最优,单独约束燃料电池和锂电池的输出功率都会在一定程度上降低动力系统的效率,导致行程中氢气消耗增加。（3）根据规则学习理论,以提高行程中的燃油经济性为目标,提出了一种基于规则学习的燃料电池混合动力汽车能量管理策略。首先利用极小值原理离线求解出综合工况下的燃料电池输出功率序列和锂离子电池荷电状态轨迹,然后对获得的数据集利用k均值算法进行分级聚类得到简化的数据集,接着采用重复增量剪枝减小容错误差的规则学习方法对数据集中潜在的规则进行提取,最后利用多元线性回归算法对提取出的规则进行参数拟合。基于MATLAB的仿真实验表明,基于规则学习策略的氢气消耗与基于极小值全局优化结果相似,且具有计算强度小、无需依赖工况的优点,表明该算法具有在线应用的潜力。（4）考虑动力系统不可避免面临衰退的问题,为了开发出具有实用价值的混合动力汽车实时控制器,提高氢燃料的使用效率,提出了一种基于规则学习的燃料电池混合动力汽车的多目标能量管理策略,该策略利用等效氢气消耗的方式将燃料电池和锂离子电池的衰退百分比计入到目标函数中。通过基于极小值原理的最优控制方法,得到综合循环工况的最优燃料电池功率序列及荷电状态轨迹序列。利用k均值聚类算法对优化的数据库进行分级聚类,为规则提取提供理论数据,最后利用多元非线性回归算法对改进的重复增量剪枝减小容错误差算法学习出的规则进行数据拟合。仿真结果表明,与极小值全局优化策略和基于确定规则的策略相比,提出的基于规则学习的能量管理策略能有效节省氢气消耗,延长燃料电池的使用寿命且具有实时应用的能力。