以车轮力传感器(WFT)为测量核心的汽车道路试验，是评价汽车整车特性的重要技术手段，采用WFT完成路谱数据采集具有重要的应用价值，如对分析与评价汽车动态性能-动力性、制动性、操纵稳定性、安全性、悬架特性等提供重要的原始数据。本文依托江苏省交通科学研究计划项目《车辆安全性能评价及检测装置研究》(编号05c02)，对WFT为核心的路谱采集系统进行了系统组建及标定：由于干扰的存在，对采集得到了路谱原始数据进行了去噪处理，在此基础上采用多种方法提取路面识别参数，实现对路面识别。本文的最后一章还对主动悬架进行了控制研究。 (1)采用AR时间序列分析的方法进行了道路谱的模拟，并进行了功率谱分析证明了模拟结果的可行性。对自适应滤波中的多种算法、Kalman滤波及其变形算法、小波滤波算法进行了总结和推导，并且对含噪道路谱数据滤波算法进行了对比分析研究，得出结论在这里自适应Kalman滤波方法取得的降噪效果是最好。对以WFT为核心的路面谱数据采集系统实测数据进行处理和分析时提供理论支持和滤波手段。 (2)介绍了试验设备及其规格、试验场地，并确定了试验安排。并且进行了实车标定，并通过坐标转换解算方法得到车轮力传感器原始测量数据，为后续的实车数据处理提供了实验基础。 (3)在道路谱模拟及数据滤波算法对比研究的基础上，开展了实车数据建模算法与滤波研究。给出了实车数据处理的整体流程并对实车数据采集的有效性进行了分析。进行了建模前信号预处理的工作。通过理论分析得出数据中含有趋势项和周期项，总结了多元逐步回归分析的方法，并利用该方法消减和剔除了信号中的趋势项和周期项。确定了模型结构为AR(3)模型，并证明了其有效性。推导并总结了自适应Kalman滤波方法，并在信号建模的基础上将该方法应用于路面谱数据滤波处理。通过结果分析可以看出与仿真研究比较一致，取得了的较好的降噪效果。提取了模型的AR(3)模型参数，为实现路面识别提供基础。 (4)提出了基于AR模型参数的多种路面识别方法，包括FCM聚类方法，改进BP、广义回归和学习矢量量化网络神经方法等，实验结果看后三种方法的识别率相当，识别率为83.33％。广义回归神经网络的识别速度最快，改进BP神经网络方法次之，然后是LVQ神经网络方法，但三种方法均有一定的误识别率。主要是样本数量较少导致的。而第一种方法试验得到的识别率为100％，说明在小样本的情况下，基于AR模型参数的FCM识别方法较为适用。证明了其可行性和有效性。 (5)提出了基于WFT测量结果转化为IRI参数的路面识别方法，给出了解决方案，并由仿真实验数据初步论证了方法的可行性。 (6)研究了基于慢主动1/4车辆振动模型的最优控制算法，设计了LQG控制器，分析了能控性和能观性，进行了结果分析，结果分析证明了其有效性。