近些年,随着人们对汽车主动安全性重视程度的提高,汽车智能驾驶辅助系统得到了广泛的发展,传统的驾驶辅助系统为汽车常规工况运动提供了安全的保障。考虑到现实场景的复杂性,为了进一步提高车辆行驶安全性,极限工况下无人驾驶车辆运动控制方法的研究显得尤为重要。在赛道场景中,为了达到某些目标,专业驾驶员会主动将车辆控制在极限运动边缘,并凭借专业的驾驶技能控制车辆稳定的行驶。在高速紧急避障场景中,车辆会被动进入极限运动状态,若不能及时稳定住车辆,容易造成二次伤害。无论车辆主动还是被动进入极限状态,若智能驾驶辅助系统能像专业驾驶员一样,可以在极限工况下灵活地操纵车辆,不仅可以提高车辆的安全性能,还可以扩宽车辆操纵边界。漂移运动是车辆极限运动中的一种典型情况,对车辆漂移运动控制的研究,有利于进一步理解车辆极限工况运动控制机理。尤其在无人驾驶车辆蓄势待发的当下,针对无人驾驶车辆漂移运动控制方法的研究具有重要的意义。在前人研究的基础上,本文从车辆动力学模型的角度和人工智能（AI）算法的角度对无人驾驶车辆漂移运动控制方法进行研究,并搭建了联合仿真平台对提出的漂移控制算法进行仿真验证。论文的主要研究内容如下:（1）首先,本文从车辆动力学的角度对无人驾驶车辆漂移运动控制进行分析,设计了基于漂移平衡态的无人驾驶车辆漂移运动控制算法。通过对漂移平衡态进行分析,计算了在期望纵向车速条件下的不同前轮转角所对应的漂移平衡态值,并分析了稳态漂移过程车辆具有前轮反转向和后轮饱和等典型的漂移运动特点。绘制了不同前轮转角下的质心侧偏角-横摆角速度相平面图,对比了相图中鞍点处的车辆状态值与对应漂移平衡态的车辆状态值大小,得出相平面图中的鞍点处车辆状态即是漂移平衡态的结论。在此基础上,计算了参考路径和参考质心侧偏角下漂移平衡态值,作为前馈控制量,并设计了线性二次调节器（LQR）漂移控制算法,计算出反馈控制量,通过前馈+反馈的方式控制车辆达到漂移平衡态,实现无人驾驶车辆稳态圆周漂移运动。通过建立Carsim/Matlab/Simulink联合仿真平台,验证了漂移控制算法的可行性。（2）为了满足更为复杂工况下无人驾驶车辆漂移运动控制的需求,本文设计了基于漂移状态估计的无人驾驶车辆漂移运动控制算法。首先对基于漂移状态估计的漂移运动控制算法框架进行详细介绍,然后根据参考路径信息（路径曲率）和参考车辆漂移状态信息（参考质心侧偏角）计算出期望车辆状态值（期望航向角速度和期望横摆角加速度）,并结合车辆动力学模型和Magic Formula轮胎模型推导出期望的车辆漂移状态值。在此基础上,设计了线性二次调节器（LQR）漂移控制算法,实现了在更为复杂道路上的无人驾驶车辆漂移运动控制。该算法同时具备路径跟踪和漂移运动控制功能。通过建立Carsim/Matlab/Simulink联合仿真平台,验证了本文设计的漂移控制算法的可行性,并对比了本文的漂移控制算法和参考文献[81]中的漂移控制算法的鲁棒性。（3）考虑到极限工况下难以建立简单而又精确的车辆模型问题,本文从人工智能（AI）算法的角度尝试设计了基于深度强化学习算法的无人驾驶车辆漂移控制策略。首先,介绍了深度强化学习的理论基础,分析了通过深度强化学习方法实现无人驾驶车辆漂移运动控制的可行性。然后设计了基于演员-评论家架构和深度确定性策略梯度（DDPG）算法的深度强化学习算法,选取了合适的环境变量,并设计了用于实现无人驾驶车辆圆周漂移运动的奖励函数。在Py Charm中编写了深度强化学习算法文件和用于数据传递与转换的文件,并建立了Py Charm/Matlab/Simulink/Carsim联合仿真平台,对深度强化学习算法网络进行训练与测试。联合仿真平台之间通过用户数据报协议（UDP）进行无线通信。自动重复训练功能在Matlab中通过编写M脚本实现。