互联网、大数据、云计算等新型科学技术的高速发展，为城市交通互联互通和居民便捷出行提供了技术支撑和有力保障，在科技兴国、交通强国等战略的制度保障下，智慧交通、绿色出行、“互联网+”、便捷支付等日益成为人们对美好生活高质量、优服务、便捷性、高效率、实时性和安全性的技术和平台需求。基于此背景下，自动驾驶技术也将跻身于高品质生活的软性需求，让车联网技术及车辆辅助驾驶技术全程掌握出行的车辆预判、操作、反馈等过程，人只需下达“指令”，这样才能达到居民出行事半功倍的效率，为居民出行提供安全高效舒适的驾驶空间和体验。为保证自动驾驶系统在行驶过程中实现安全高效的驾驶操作，需精确地识别车辆当前的驾驶行为模式，基于此，本文建立了合理的驾驶行为模式识别模型。
　　基于实车试验，选取城市快速干道和高速公路作为试验路段，选取20位驾驶人全程进行实车试验，应用Kalman滤波进行数据预处理。为准确识别驾驶行为，将人、车、路三者所反映出的特性进行耦合，共同对当前驾驶行为进行判断和识别，根据四类驾驶行为（左换道、右换道、跟驰和自由行驶）运行规律，采用主成分分析和单因素方差检验法确定表征参数，分析高速工况下多源参数特性，包括车辆运动、交通环境及视觉参数。最后，采用随机森林决策树（CART+RF）、支持向量机（SVM）建立驾驶行为融合模式识别模型，比较两类模型的识别精度，并针对较优的方法进行优化，提高驾驶行为识别可靠性。论文研究主要得到以下结论：
　　（1）可有效识别驾驶行为模式的车辆运动与行驶环境特征参数包括：车道线距离、车速、相对距离、横摆角速度及横向加速度等。不同驾驶行为下其车道线距离参数样本差异性最为显著，其次是横摆角速度和横向加速度对不同驾驶行为的识别效果影响较大；在不同驾驶行为过程中，车速变化趋势较为明显，换道时，车速变化周期短，且在换道前后速度有明显变化，高速工况行驶环境下通常体现在超车过程，车道保持时车速变化周期长，车速波动较为稳定；相对距离对于跟驰和自由驾驶行为的识别影响较大。
　　（2）在驾驶过程中，驾驶人对交通环境的视觉信息获取比重较大，分析驾驶人当前行为状态下视觉眼动各指标的变化规律能够提高驾驶行为识别的准确率。视觉参数包括注视、眨眼、扫视等行为下的指标，分析结果表明：眨眼频率、注视角度、扫视幅度、注视点分布等参数在不同驾驶行为下具有显著差异性，能够有效表征四类驾驶行为特性。
　　（3）基于实验样本集，建立驾驶行为模式识别模型，训练学习模型，测试其识别效果，结果表明：基于MLP神经网络的随机森林优化模型总体识别精度最高，达91.92%；其次是CART+RF模型总体识别精度为90.49%，对于自由驾驶行为的识别效果最优；SVM模型对于跟驰模式的识别精度最高。由模型识别准确性和ROC曲线评价综合分析可得，对于高速工况下的驾驶行为融合模式识别，采用MLP神经网络作为随机森林模型的个体分类器进行组合，基于集成学习思想建立的MLP+RF识别模型能够准确可靠地实时判断出自车当前驾驶模式。