高速铁路具有能耗低、效率高、运行安全等优势,近年来得到了跨越式的发展。随着智能控制技术的不断进步,高速列车自动驾驶技术成为了行业研究热点并得到了初步应用,极大提升了列车运行的自动化程度和智能化水平。随着行车密度的增大和运行速度的提升,影响列车运行的内部制约因素和外部环境扰动也在不断增多,在列车时变动态特性作用下,速度跟踪控制会出现控制精度降低、控制过程不稳定等问题,对列车速度跟踪控制方法的数据感知和融合处理能力提出了更高的要求。因此,通过对列车实时运行状态信息的分析,研究不依赖于列车系统内部动态的速度跟踪控制方法具有重要现实意义。本文基于积分强化学习控制,对列车速度自动跟踪控制算法展开如下研究:首先,针对列车动态未知导致的控制精度降低问题,提出基于积分强化学习的高速列车自适应跟踪控制方法。针对列车模型中存在未知参数的情况,建立列车模型并设计状态反馈控制律,并考虑系统动态的不可得性,提出一种基于积分强化学习的自适应控制方法,通过连续交替地执行策略估计和策略改进求解得到最优速度跟踪控制策略,采用自适应控制方法避免涉及未知列车模型参数。仿真结果表明该方法在不涉及系统内部动态的情况下可实现列车速度的精确跟踪。其次,针对列车巡航过程中列车动态时变和列车模型参数未知问题,提出基于积分强化学习和参数识别的高速列车巡航控制方法。考虑列车运行过程中车厢间的车间作用力,构建列车多质点模型描述列车运动过程。巡航阶段运行速度快、运行距离长的特性会带来剧增的外部环境扰动,从而干扰列车巡航控制,因此提出了一种基于积分强化学习和参数识别的巡航控制方法,该控制算法不依赖系统内部动态且可实现系统未知参数的渐近识别。算例仿真验证了控制算法的有效性。最后,针对列车运行过程中列车动态不可得问题并同时考虑控制输入的受限性,提出考虑输入受限和系统内部动态未知的列车跟踪控制方法。考虑列车执行器饱和现象带来的牵引/制动力受到约束的问题,设计了一种考虑控制输入受限性的值函数。列车运行过程中存在的非线性、不确定的外部扰动不利于达到预期控制性能,故研究考虑输入受限和系统内部动态未知的列车跟踪控制方法,采用一种基于演员-评论者结构的神经网络进行最优控制策略求解。仿真结果表明,该方法不仅可实现了精准的速度跟踪控制效果,控制输入也被约束在预设值内,并开发高速列车速度自动跟踪控制仿真模块以说明控制方法的实际适用性。图41幅,表8个,参考文献77篇。