交通安全关系千家万户,如何为人们提供安全、高效、舒适的交通环境是世界各国都高度关注的问题。在交通领域,人工智能技术得到广泛的应用。特别是利用专家系统、数据挖掘以及智能网络等对ITS的扩展,为交通安全问题的解决带来了新的希望。然而这些研究仅仅是依靠对交通环境和交通系统的改变,忽略了驾驶员在驾驶过程中的核心作用。因此,这些研究仍不能从根本上解决我们所面临的问题。以人为本,把研究驾驶员的行为模式作为研究的重点,也就成了研究者们需要面对的新挑战。Agent具有很多独特的性质。因此,利用Agent来对驾驶员的行为决策模型建模,可以很方便分析驾驶员在各种道路环境条件下的行为决策,挖掘出危险性高的行为和事故的临界条件,最终为交通管理部门提供决策支持。这样的研究对提高交通效率、减少事故发生来说无疑是有用的。针对这一新的领域,虽然已有不少的学者从各个不同的角度进行了研究,但时至今日仍没有提出一个适应复杂的、交互的、动态变化的交通环境驾驶行为决策模型。因此,本文的研究目标,是在现实的、复杂的、交互的以及变化的环境中,构建一个驾驶行为决策模型。并通过模型,分析和研究驾驶员的行为模式,为分析事故诱因和辅助交通管理提供决策支持。本文的工作主要包括以下几个方面：●提出了基于多Agent系统的驾驶行为决策模型(Driver Behavior Decision Model-DBDM)本文根据驾驶员的特点和行为特性,设计出了“拟人化”的驾驶Agent模型,抽象出了驾驶Agent的动作空间和状态空间。并在此基础上提出了DBDM。●提出了支持DBDM的混合决策算法和强化学习算法为了使我们提出的DBDM具有很好的可扩展性和拟人性,我们为DBDM设计了混合决策算法。凭借这个混合决策算法,我们设计的驾驶Agent能以接近人的方式推理和决策,并能适应复杂、交互交通环境。最后我们改进强化学习算法,使其能与DBDM相融合。●设计和实现了一个基于MAS的模拟系统基于前面的提出的模型,我们还实现了一个基于MAS的模拟系统来验证模型的可靠性和有效性。通过实验,验证了算法的合理性,以及驾驶Agent对复杂交互的交通环境的适应性。