将燃料电池作为动力来源之一的燃料电池混合动力汽车不仅具有高燃料效率、零排放以及低噪音运行的特点,同时还代表了未来汽车追求环保的发展趋势。而能量管理技术则是燃料电池混合动力汽车的一项关键技术,其核心在于能够在确保整车功率需求的同时,通过合理分配燃料电池和辅助能源的输出功率优化各个能量单元的工作性能,从而提高车辆的经济性。本文以燃料电池混合动力汽车为研究对象,开展了在线多目标能量管理策略研究,主要包括以下内容:（1）燃料电池混合动力汽车建模。首先建立了整车动力学模型,然后建立了锂电池的基本模型和衰退模型,接着建立了考虑温度影响的包括燃料电池堆、散热器、加湿器、冷却水箱和冷凝器五个部件在内的燃料电池系统热模型,此外,还建立了燃料电池的衰退模型,最后,对燃料电池系统进行了仿真分析。为后文能量管理问题的求解奠定了基础。（2）基于庞特里亚金极小值原理（Pontryagin’s Maximum Principle,PMP）的能量管理策略研究。首先建立了能量管理问题的数学模型,同时还考虑了对燃料电池输出功率变化率的约束以提高燃料电池的耐久性,然后在前文所建模型的基础上,分别在不考虑电池衰退和考虑电池衰退的情况下提出了单目标能量管理策略和多目标能量管理策略,仿真结果验证了所提策略的有效性。（3）基于模拟退火和K-means聚类算法的工况识别模型的建立。首先选择25种具有代表性的行驶工况作为样本工况,选取8个典型特征参数用于对工况的描述,然后利用主成分分析法对特征参数进行降维处理,接着采用基于模拟退火的Kmeans聚类算法对样本工况进行聚类划分,将样本工况分成了四类,最后在此基础上,通过对综合工况历史行驶数据的分析,基于K-means聚类算法对行驶工况进行了工况识别。（4）基于BP神经网络（Backpropagation Neural Network）的在线多目标能量管理策略研究。首先选取了神经网络的相关参数以及确定了神经网络的结构,然后按照工况识别结果对基于PMP的多目标优化能量管理策略所得的仿真数据集进行分类,通过对分类后的数据集的训练得到了四个神经网络子模型,再将所得的神经网络子模型组合成多神经网络模型,接着在此基础上,建立了一种基于BP神经网络的在线多目标能量管理策略,最后分别对所提在线策略进行了软件仿真和硬件在环仿真试验。硬件在环仿真试验结果与软件仿真结果基本吻合,为策略能够在实车上运行提供了充分的验证。