在有信号灯的十字路口处,车速控制不当会造成极大的燃油浪费以及引起追尾碰撞事故。驾驶员判断的模糊性使其无法达到车速最优控制,通过车速引导技术为驾驶员提供优化速度引导信息能够有效降低油耗并增强行车安全性。以基于车联网的十字路口节能与安全车速引导技术研究为对象,分别对车联网通信传输控制算法、面向节能驾驶的车速引导优化模型以及面向行车安全的追尾碰撞预警模型进行了关键技术的研究。针对车联网通信传输控制的问题,本文提出了一种基于车辆行驶状态的车联网通信传输频率自适应控制算法。节点间的位置及状态感知是实现基于车联网应用的基础,数据的刷新率决定了感知的精度。在车辆行驶状态变化率高时提高该车辆的数据广播频率,让邻车更实时地接收到该车的位置及行驶状态数据,降低轨迹跟踪误差；而当车辆行驶状态比较平稳时降低该车辆的数据广播频率,以降低整个网络的负载避免出现数据丢包。在一个通信密集的十字路口仿真场景中对算法进行了验证,结果表明算法能够自适应调整节点的数据广播频率,并且将平均轨迹跟踪误差降到了亚米级水平。针对节能驾驶速度引导技术研究,本文建立了一种面向节能驾驶的闭环式车速引导优化模型。以开环式车速引导模型为基础,通过约束函数求出相关参数生成优化速度曲线。考虑驾驶员实际驾驶中不能够完全跟踪速度曲线行驶的情况,设计了基于反馈式的闭环速度优化模型,该模型能够根据实际环境进行优化速度曲线的动态更新。仿真表明,使用闭环的车速引导优化模型能够有效地降低车辆通过十字路口时的油耗,与不使用车速引导系统相比平均油耗降低了约20%。将使用车速引导系统得出的速度曲线与由最优控制算法生成的最优速度曲线进行比较,验证了速度曲线是趋于最优的。针对车辆行驶安全问题,本文建立了一种基于神经网络的追尾碰撞预警模型。以使用非高精度定位系统为约束,研究了增加追尾碰撞预警系统可靠性的关键技术。首先通过仿真证明了基于车辆运动学的追尾碰撞预警模型具有高虚警率和高漏警率的缺点,其次从理论上证明了使用基于神经网络的模式识别方法的可行性,最后建立了神经网络模型并通过仿真得到了训练数据,通过对神经网络的训练使得模型能够提供可靠的追尾碰撞预警。仿真结果表明基于神经网络的追尾碰撞预警模型能够将虚警率降低到20%以下,漏警率降低到10%以下。最后,本文研究了基于车联网的十字路口车速引导优化与追尾碰撞预警耦合模型。根据车速引导优化模型与追尾碰撞预警模型协同工作方式的不同将耦合模型分为松耦合和紧耦合模型,松耦合模型为速度优化模型与追尾碰撞预警模型独立运行,但追尾碰撞预警模型具备更高的优先级。紧耦合模型为速度优化模型在生成最终的优化速度曲线前通过轨迹预测分析速度轨迹中发生追尾碰撞的可能性,并根据分析结果调整最优速度曲线的生成策略。仿真结果表明紧耦合模型在安全与节能车速引导优化应用中更加具有优势。