随着科学技术的发展，人们对车辆智能辅助驾驶系统的要求越来越高，它不仅要保护驾驶人的安全，还需要满足驾驶人的各种舒适性要求。但是由于驾驶人本身存在着较大的个体差异和状态波动，而现有的按照基准驾驶人的驾驶行为进行设计的智能辅助驾驶系统，没有考虑驾驶人的驾驶个性化、差异性，难以保证对不同驾驶人的适用性。所以只有真正理解驾驶人的智能车才能满足现代人对智能辅助驾驶系统的需求。针对此问题，为了促进智能辅助驾驶系统的发展，本文开展了基于驾驶人个人特性的智能辅助驾驶系统应用研究。
　　首先，是车如何理解人的问题，同样的车辆条件下，即使在完全相同的道路环境条件下，因为驾驶人个人特性的差异，会导致不同的驾驶需求。而个人的驾驶特性如同每个人的指纹一样，具有个人特性。本文在驾驶指纹概念的基础上，建立了驾驶指纹的数学模型，不仅可以充分反应出一个驾驶人的驾驶特性，还可以以可视化的方式进行计算。该模型充分考虑车辆运动场景，车辆运动行为和车辆运动数据，建立了场景--行为--数据的驾驶指纹模型。在该模型的基础上，针对车辆运动特征过多的问题，提出了基于改进型马尔科夫模型的特征选取方法。同时考虑了不同场景对驾驶人造成的不同影响，提出了基于集成学习的场景分类方法。最后依据所构建的驾驶指纹模型形成一个驾驶人特性的二维矩阵模型，该矩阵可以对驾驶人的驾驶特性进行有效表征，最后通过不同方式对驾驶指纹进行计算。
　　考虑到智能辅助驾驶系统研究的需要，本文构建了智能辅助驾驶的实车实验系统和模拟实验系统。所搭建的驾驶模拟器具有较高的自由度，可以模拟构建各种复杂的交通场景，其数据采集方便，易于分析，有助于研究驾驶人在典型场景下的驾驶行为特性。所搭建的实车实验系统，安装了大量的车载传感器，可以采集各种车辆运动信息，同时在实验场地搭建了RTK基站等辅助设施，用于对采集到的数据进行分析验证。在搭建的实验系统的基础上，开展了相关实验。
　　其次，在车辆运动特征采集系统中，提出了基于深度学习确定ROI区域的车道线检测算法，降低了车道线检测的难度，提高检测效率。在所检测出的ROI区域内，提出了基于车道线形状和颜色特征的车道线检测算法。在动态目标检测中，设计了基于全卷积神经网络的道路目标检测算法，可以快速准确的检测出车辆、行人、交通标志等。
　　考虑到定位信息对驾驶人特性研究的重要性，针对智能辅助驾驶系统定位信息采集成本过高的问题，提出了一种低成本、高精度的车辆定位方法。利用卡尔曼滤波融合GPS、单目视觉和高精度地图信息进行车辆定位。该方法可以在各种场景下提高车辆的定位精度，提供更加精确的数据用于驾驶人特性的研究。
　　最后，为验证所提出的驾驶指纹模型，开展了基于驾驶指纹的驾驶人识别和智能辅助驾驶预警系统的研究。在驾驶人识别中，利用所建立的驾驶指纹模型对驾驶人进行了识别。识别结果表明，所构建的驾驶指纹模型可以很好的反应出驾驶人的个人特性。通过所构建的驾驶指纹模型，对驾驶人横向和纵向驾驶行为特性进行了研究。在纵向驾驶人特性研究中，提出了自适应驾驶人特性的前方碰撞预警预警系统，依据驾驶人跟车模型，提出了安全距离阈值在线可调方法，解决了传统碰撞预警算法采用固定预警阈值的问题，提出了自适应驾驶人特性的前方碰撞预警算法。在横向驾驶人特性中，提出了自适应驾驶人特性的车道偏离预警系统，将驾驶意图和偏离时间作为驾驶人横向特性的评价指标，提出了考虑驾驶人个人特性的驾驶意图判断方法和具有驾驶人特性的车道偏离预警时间计算方法。
　　本文研究结果可有效促进车辆安全辅助驾驶系统的发展，对提高车辆行车安全具有重要意义。