车辆跟驰控制是无人驾驶的基础控制技术之一。近年来，强化学习被广泛应用于无人驾驶车辆的跟驰控制任务中，使模型具备了较强的学习和模仿能力，但也面临可解释性差和输出不稳定的问题，给车辆运行带来了潜在的安全隐患。为了解决这些问题，本文提出了一种融合强化学习与物理信息的车辆跟驰控制模型(PIRL-CF，Physics-Informed Reinforcement Learning Car-Following Model)。该模型结合车辆动力学特性，定义了连续的状态集、动作集和奖励函数，并引入三种经典物理跟驰模型与强化学习模型进行融合，从而提升了模型的稳定性和可解释性。通过Python与交通仿真软件SUMO构建仿真测试平台，本文对PIRL-CF模型进行了训练，并与传统车辆跟驰模型和主流深度强化学习模型(DDPG和TD3)进行了对比实验。实验结果表明，与深度强化学习模型相比，PIRL-CF模型的乘车舒适区占比提高了8%；与传统物理跟驰模型相比，PIRL-CF模型在最低碰撞时间上提升了0.3秒，平均车头时距提升了0.21秒。研究表明，PIRL-CF模型能够在无人车跟驰控制任务中兼顾舒适性、安全性和行车效率，为无人驾驶智能决策提供了一种有效的技术方案。