Devido à crescente preocupação com as alterações climáticas e à consequente mudança de paradigma, gradualmente são utilizados mais veículos elétricos e híbridos, como é o caso dos FCHEV (Fuel cell Hybrid Electric Vehicle). Como é característico nos veículos híbridos, a existência de duas fontes de energia faz com que seja crucial otimizar a distribuição de potência, sendo esta a chave para melhorar o desempenho do veículo. Assim, definiu-se como medida principal de desempenho o consumo equivalente em Gasoline Gallon Equivalent, que efetua um tradeoff entre o consumo de hidrogénio e o consumo ponderado de energia da bateria, em função do seu estado de carga. Tendo como principais objetivos o aumento do tempo de vida dos componentes e a redução do consumo do veículo, construiu-se uma estratégia de gestão energética em tempo real, baseada em programação dinâmica, com extração de regras de controlo pela response surface methodology e implementação de machine learning para a identificação dos tipos de ciclo de condução. A estratégia foi construída e simulada em Matlab, partindo da modelação do sistema e da implementação da função DPM (Dynamic Programming Matrix), desenvolvida pelo instituto ETH Zurich para efetuar a programação dinâmica. Seguidamente, foi utilizada a função stepwiselm e a app Regression Learner para extrair as regras de controlo e, finalmente, recorreu-se à app Classification Learner para identificar os ciclos de condução. Toda a estratégia foi complementada com o Matlab Coder, para fazer a transição do algoritmo para linguagem C, suportada pela ECU. Os resultados foram analisados no final de cada fase de implementação, validando a metodologia proposta. Assim, na fase de otimização demonstrou-se que é possível melhorar o consumo equivalente, relativamente ao algoritmo implementado no veículo, obtendo-se uma redução média superior a 15%, sem se demonstrarem alterações significativas no consumo de H2. A partir destes resultados, efetuou-se a extração de regras de controlo, utilizando duas estratégias distintas: regressões não lineares e árvores de decisão. No caso da primeira, não foi possível demonstrar que efetivamente o consumo equivalente é menor, apesar da percentagem de redução desse consumo ser em média superior a zero. No caso da segunda, a robustez do modelo de machine learning demonstrou que em média o consumo equivalente é menor do que no algoritmo atualmente presente no autocarro, sendo que a percentagem de redução em média ultrapassa os 10%. Com ambas as estratégias, as alterações no consumo de H2 não se mostraram significativas. Na fase de reconhecimento do ciclo de condução, utilizou-se uma árvore de decisão que foi analisada para diferentes tempos de decisão, demonstrando-se que com 600 e 300 segundos a identificação apresentou os melhores resultados de accuracy, sendo percetível que para 300 segundos será reduzido o espaço em memória na ECU para armazenamento dos parâmetros de condução, mostrando-se também ser mais preciso em cenários mais semelhantes com a realidade. Finalmente os testes de estrada demonstraram melhorias de 15.7% no consumo equivalente, 24.4% no consumo de H2 e 6.8% no rendimento, com a estratégia que utiliza regressões não lineares. No entanto, o algoritmo mais adequado seria o construído com árvores de decisão, que devido à sua complexidade não foi possível de implementar na ECU.