一汽-大众提出的汽车仿真测试系统是一个在实验室仿真汽车实际驾驶环境的，能大量节省汽车测试过程中所消耗的人力物力的一种综合系统。该系统的核心在于对汽车CAN总线所采集测试信息的数据融合。人工神经网络技术是上世纪末复兴的一种数据处理技术。从理论上讲，只要隐层节点数够多，神经网络可以以任何精度逼近任意输入输出个数的非线性函数。此外，人工神经网络还具有很强的自主学习能力和良好的容错能力，在实际问题中得到了广泛的应用。针对汽车仿真测试模型多输入单输出，且具有很复杂的非线性关系的特点，本文提出将人工神经网络技术应用于汽车仿真测试系统中的数据融合过程中的方法，并对其相关算法进行了研究。本文首先通过对CAN总线报文的解析，实现了汽车CAN总线上信息的下载，并通过MATLAB绘制出本文所关心的汽车运行参数与时间的关系。其次，针对汽车测试过程中，驾驶员所关心的特征量，本文建立了汽车测试模型，通过对模型输出量影响因素的考察，确立了模型的输入输出关系。然后，本文选取了函数拟合领域近期最常用的3种神经网络结构作为本文的研究对象：BP神经网络、cascade神经网络以及RBF神经网络。分别介绍了3种神经网络的基本原理、网络结构及学习算法。其中，对于BPNN，本文引进了改进化的LM学习算法；而对于RBFNN，针对其泛化能力较差的特点，本文提出了NRBF及分类RBF两种改进算法。最后，本文将以上神经网络及改进算法应用于汽车测试模型中，取得了良好的拟合效果。实验结果表明通过人工神经网络完成汽车仿真测试系统中的融合过程是可行和有效的。其中，两种RBF模型的改进算法确实有效降低了测试组数据的输出误差，一定程度上提高了RBF神经网络的泛化能力。通过比较不同神经网络的应用效果，本文得出结论：对于人工神经网络实时性与精度的要求是矛盾的。应用时，视汽车仿真测试系统对于各方面的要求选择合适的神经网络要求。例如，对于线下学习过程等对于精度要求较高的环境，可采用输出误差较低的cascade神经网络与BP神经网络；对于在线安全系统等学习过程，可采用训练速度较快的NRNF或分类RBF改进算法。本文的研究内容可为基于神经网络的汽车仿真测试系统数据融合理论指导。