随着我国汽车保有量的逐年递增,汽车带来的社会问题也逐渐凸显出来。我国每年因发生交通事故造成的人员伤亡数量居高不下,而车祸发生的原因基本上都是由驾驶员误操作造成的;同时城市交通拥堵状况、环境能源问题也亟待解决。研究智能车辆不仅是解决以上问题的有效途径之一,而且在军事、工业、科学等领域都有广阔的发展空间和应用前景。本文以智能车辆为研究对象,在汽车系统动力学、群智能算法和控制理论的基础上针对其中两个关键技术:局部避障路径规划和横向运动控制进行了研究。在介绍了智能车辆关键技术国内外研究现状之后,对智能车辆进行了动力学建模研究。建立了七自由度模型和Dugoff轮胎模型组成的整车模型和控制状态方程中的二自由度线性模型。针对传统局部路径规划算法存在路径不可达、容易陷入局部最优、避障模型复杂导致计算量大等问题,提出采用基于细菌觅食算法优化的车辆局部避障路径规划方法。为避免传统路径规划大规模寻优计算等缺陷,采用连续性样条插值避障模型,将离散化的路径问题连续化处理。为验证所提算法的优势,进行了细菌觅食算法、粒子群算法、遗传算法三种优化算法仿真对比试验。试验表明细菌觅食法具有较强搜索能力以及快速收敛等特点,能够快速搜索出环境中的最优路径。针对车辆模型存在高度非线性动态特性、参数不确定性以及行驶时受外部干扰较多导致控制精度不高、鲁棒性差等问题,采用RBF神经网络滑模控制方法。在传统二自由度车辆控制模型状态方程的基础上推导了新的状态方程并以此设计了滑模控制器。利用RBF神经网络对模型的不精确部分进行了自适应补偿,最后通过李雅普诺夫稳定性理论推导出神经网络的权值并证明控制系统的稳定性。对设计的控制器在Matlab/Simulink的环境下进行了建模仿真研究。仿真对算法有效性和鲁棒性进行了具体分析。通过和单一滑模控制器对比,本文采用的神经网络滑模控制方法能够迅速减少和预期路径的横向偏差以及横摆角速度偏差,证明算法有效性较好;同时验证了在不同车速、不同载荷和外部干扰状况下神经网络滑模控制器鲁棒性较好。