无人驾驶技术正逐步发展并得到快速进步,旨在简化汽车的驾驶操作并提高驾驶系统的安全性。然而无人驾驶车辆的行驶路况并不是单一不变的,面对一些极端场合,无人驾驶车辆需要进行高速行驶,在遇到弯道或者障碍不能减速时,控制车辆进行漂移也是有效的解决途径,因此保证无人驾驶车辆进行稳态漂移并保证车辆安全性是极具意义的研究问题。本文以无人驾驶车辆为对象展开研究:首先,对无人驾驶车辆的稳态漂移动态过程进行动力学分析,计算无人驾驶车辆的稳定漂移控制点,为后续控制设计奠定基础。进而考虑无人驾驶车辆模型复杂且耦合性强,难以精确建模的问题,在此基础上引入基于数据驱动的无模型自适应控制（Model-Free Adaptive Control,MFAC）方法到漂移稳定控制上。无需考虑传统的建模过程、未建模动力学,避开了基于动态建模难题。仿真结果表明,与传统数据驱动的比例积分微分控制进行对比,无模型自适应算法具有更好的控制效果及鲁棒性。其次,针对无人驾驶车辆漂移控制过程中出现系统输出数据丢失的问题,设计了一种基于动态模糊神经网络（Dynamic Fuzzy Neural Network,DFNN）的无模型自适应控制（DFNN-MFAC）方法,基于无人驾驶车辆控制过程中的输入输出数据进行模糊网络训练,实现对控制过程中丢失数据的实时补偿,然后将估计值引入无模型自适应控制算法,进而提高算法的鲁棒性。仿真结果表明,与基于MFAC的数据丢失补偿算法对比,该算法可有效削弱数据丢失的影响,在无人驾车漂移控制上可以获得较好的输出性能。最后,利用CarSim软件平台搭建高保真车辆动力学模型,建立无人驾驶车辆漂移控制器,并将CarSim车辆模型链接到MATLAB/simulink仿真程序中,完成联合仿真平台的搭建。通过在联合仿真平台实现上述MFAC和DFNN-MFAC算法对高保真模型进行控制实验,验证上述控制算法的实际控制性能。联合仿真实验结果表明,在高保真实验模型和环境的情况下,无人驾驶车辆具有较好的稳定性,算法具有良好的控制效果。