按对动力学系统的数学描述，可以将数学模型分为连续系统模型和离散系统模型。连续系统模型包括集中参数模型和分布参数模型。其中集中参数模型可用常微分方程或微分代数方程描述；而分布参数模型则由偏微分方程描述。离散系统包括时间离散系统（采样系统）和离散事件系统。采样系统通常用差分方程描述；而离散事件系统由SIMLIB、GPSS、SIMAN、有限状态机、PetriNets 等方法描述。由于车辆传动系统含有滑磨元件（如离合器、制动器等），是一个连续、离散混合动力学系统。对于由微分方程描述的连续时间系统动力学系统通常使用四种数学形式，微分方程（组）形式、传递函数形式、状态空间形式、脉冲过渡函数形式。

数学模型是对所研究动力学系统及其运动过程的数学描述，这种描述应该反映系统的物理机理，但是模型的建立随所用的手段和研究工具不同而有差别。

1.物理建模法

根据实际物理系统的工作机理，在某种假定的条件下，按照运动学、动力学、热力学、流体力学等，写出代表其物理过程的方程，结合边界条件与初始条件，再利用适当的数学处理方法，得到能够正确反映对象动、静态特性的数学模型。其建模对象可以是线性系统、非线性系统、离散系统、分布参数系统等。

2.经验建模法

表格插值、线性插值、样条插值、多维表格插值。

3.系统辨识方法

采用系统辨识技术，根据系统实际运行或试验过程中所取得的输入/输出数据，利用各种辨识算法来建立系统的动、静态数学模型，包括系统辨识的试验设计、系统模型结构辨识、系统模型参数辨识（参数估计）和系统模型检验。(www.daowen.com)

通过应用不同的辨识算法，可以由测量的输入/输出得到系统的传递函数。

可以将辨识得到的域传递函数转换为相应的可用于系统仿真的一系列一阶线性微分方程。由辨识得到的模型结果是一个动态模型。

4.模糊建模法

通过模糊逻辑推理形式来描述系统的输入/输出关系，以规则形式来描述系统的特性，可以得到被辨识对象的定量与定性相结合的模型，并可转化为人类可接受的语言形式。

5.神经网络建模法

用于非线性系统的建模。从试验数据来建立模型。神经网络函数是一个静态模型，它在每次评估时通过处理一系列输入来产生输出，实际的处理发生在神经元中。神经元彼此通过链相连，每一个链有一个权值，权值控制链上信号的传输强度。每个神经元的输入都有一组与其相连的权值信号，这些信号可以综合起来并应用于神经元激活函数。激活函数确定神经元的输出信号。

神经网络连接权值的获取是通过称为“训练”的迭代过程得到的，即将一系列输入施加到神经网络，根据当前权值计算网络输出，比较网络输出与期望输出。该比较产生误差信号，学习算法通过调节网络权值，使误差信号减小。通常需要成百上千的实例来训练神经网络，使得其误差减小到可接受的范围。