随着经济与制造技术的蓬勃发展,汽车保有量逐年增加的同时,全球交通事故数也逐年增加。为提升道路安全水平,减少人为因素导致的交通事故的发生,各企业及高校对驾驶员状态的研究也越来越深入。目前,大部分驾驶员状态识别研究没有考虑不同驾驶员个性化特点且缺乏结合交通心理学的综合研究,因此本文从开展驾驶员驾驶初始情绪研究开始分析,对驾驶员个性化负荷特征提取方法进行研究。并考虑在日益发展的自动驾驶技术中驾驶员角色的变化,针对驾驶员负荷状态识别策略展开研究。本文的主要研究工作如下:首先为设计基于实验操作任务影响的驾驶模拟实验,开展了影响驾驶员负荷状态的非操作类因素分析。并基于非操作类影响因素分析的结果,对实验环境、实验人员及驾驶模拟环境进行控制,搭建了驾驶模拟平台及驾驶虚拟实验场景。并通过对驾驶任务及实验评价方法的分析,设计了驾驶模拟实验,收集了驾驶员不同负荷状态等级的心电信号(Electrocardiograph,ECG)数据。控制实验变量有效确保了实验数据的准确性。其次提出了一种基于ECG信号的个性化驾驶员特征提取器。该特征提取器的提取过程分为三步,第一步针对原始ECG信号进行滤波,并完成对心跳间隔异常值的修订;第二步考虑交通心理学研究,对驾驶员初始情绪分析,并计算获取驾驶员心率变异性(Heart Rate Variability,HRV)时频域特征;第三步为个性化敏感特征提取。该个性化特征提取器能有效消除初始情绪对驾驶员静息状态的影响,获取驾驶员基线状态数据。并能适应个体差异,准确挑选出适用于驾驶员负荷状态识别的特征。最后,调试搭建了支持向量机与人工神经网络分类器,利用驾驶员个性化敏感特征对驾驶员负荷状态进行识别;识别任务的结果表明,通过个性化特征提取器的特征能有效提高驾驶员负荷状态识别的准确率。同时针对驾驶自动化等级的提升中驾驶员角色转变进行研究,提出了基于LSTM(Long short-term memory)网络的驾驶员负荷状态预测策略。通过搭建LSTM网络实现了驾驶员负荷状态预测,提出驾驶负荷判别机制解释了驾驶负荷状态过渡阶段的判断问题。通过控制预测步长与数据采集频率,实现驾驶员负荷状态预测策略在针对低自动驾驶等级的识别与针对高自动驾驶等级的预测之间的转变。