汽车的发明改变了人们的生活状态和方式,加快了地域和地域之间的交流,促进了上游的机械等制造行业和下游的销售保养维护等第三产业的发展。汽车在给人们日常生活带来便利的同时,也伴随着一些重大问题,例如交通事故和一上路就堵在路上的城市交通拥堵等问题。仅2015年发生的交通事故就造成了58022人死亡和10.4亿元的直接经济损失,全国60个主要城市,其中30个城市的高峰拥堵延时指数超过1.8,已经成为制约我国经济发展和危害人民生命财产安全的主要因素之一。随着传感器技术、车联网技术的发展,欧美国家正致力于发展智能交通系统(ITS)解决上述问题。其中智能车辆是ITS系统的重要组成部分。如果说汽车的发明是人类历史上交通工具的一次飞跃,那么智能车可以说是自汽车发明二个半世纪以来人类历史上交通工具的另一次飞跃,它把人类驾驶员从繁重的驾驶任务中解脱出来。智能车首先要解决的一个问题是车辆的移动性问题。智能车具有反应时间短、感知精度高等特点,传统的移动模型已经不能很好地描述智能车的移动行为。为智能车建立移动模型成为目前亟待解决的问题。本文研究了基于增强学习的移动模型方法,重点针对智能车的跟驰模型和换道模型进行了研究,并且探讨了移动模型与智能车周围车辆、智能车自身运动控制之间的关系,主要的贡献有:(1)针对智能车的跟驰行为,提出了基于DQN的智能车跟驰模型,并且通过在仿真平台上进行验证,证明了模型的有效性。(2)针对智能车的换道执行行为,设计了理想参考轨迹、基于QSMC的换道轨迹跟踪,并通过Actor-Critic算法与QSMC控制的结合,使得智能车的换道执行更加贴近实际的换道执行。通过仿真,显示了换道执行过程中的平稳舒适性。