主动安全的准确控制离不开精确且稳定的参数输入,但有些参数无法直接获取,这些参数包含质心侧偏角、横摆角速度、纵向车速和路面附着系数等。因此,本文针对难以直接获取的参数,提出了基于多源融合的车辆状态与附着系数估计方法,实现对车辆状态参数和路面附着系数的估计。为提高车辆制动控制的性能,提出考虑车辆状态估计和附着系数估计的制动控制策略。最后,通过仿真以及实车测试,验证了所提出的估计算方法和控制策略的有效性。具体研究内容如下:（1）分析车辆的动力学特性,推导三自由度车辆动力学模型,得出车辆的状态空间方程和观测方程,确立了系统输入与变量之间的映射关系。基于车辆状态空间方程设计了扩展卡尔曼滤波（Extended Kalman Filter,EKF）算法及径向基（Radial Basis Function,RBF）神经网络,并被用于车辆状态参数估计。通过相关软件的联合仿真,采集前轮转角、纵侧向加速度等参数作为训练样本对RBF神经网络进行训练。最后,通过联合仿真完成了不同估计方法对车辆状态的估计。（2）为提高车辆状态参数的估计精度,提出了一种基于二分法的融合估计策略。将车辆动力学方程得到的状态变量作为参考值,通过二分法对EKF和RBF神经网络的估计值进行权值分配。最后,通过仿真以及实车测试对所提出的多源融合状态估计方法进行验证,并利用均方根值误差对结果进行评价。评价结果表明,基于二分法的多源融合车辆状态估计算法明显优于单一算法的估计精度。（3）针对路面附着系数的估计,提出一种基于车辆状态估计与RBF神经网络相结合的附着系数估计方法。分析车辆动力学模型和轮胎模型,证明附着系数与车辆状态参数的关系,并得到训练特征。通过车辆状态估计获取不易得到的车辆状态伪测量值,结合其他易测量的状态参数作为神经网络输入,实现附着系数的估计。在神经网络的训练中,利用差值二分法对RBF神经网络进行优化。通过对比分析RBF神经网络估计方法与EKF估计方法,得出基于RBF神经网络的估计方法具有更高的估计精度。（4）分析紧急制动工况下车辆失稳的影响因素,结合多源融合的车辆状态和路面附着系数估计,提出基于PID控制算法的制动力分配控制策略,实现对不同车轮制动力的动态分配。在联合仿真中探究有考虑相关参数估计与未考虑相关参数估计下的制动性能。仿真结果表明,精确的参数估计能够明显提升制动系统的性能。