作为我国工业支柱之一,汽车工业近年来发展迅速并逐步向网联化、智能化、节能化的目标前进。但是,汽车社会的蓬勃发展也伴随着道路交通事故数量保持在较高水平的严峻形势。在“人-车-路”三位一体的交通环境中,涉及人类因素的交通事故占比远高于其他两个因素诱发的事故占比。本文从驾驶员的驾驶行为出发,对人类驾驶员驾驶表现和驾驶安全的内在关联展开了研究,建立由驾驶表现到驾驶安全的量化映射模型,提出了基于驾驶表现的驾驶权限预警方法,为人机共驾的驾驶权限交接提供可靠的实际依据。最后,采用深度学习方法,研究了基于长短期记忆网络的拟人化转向模型。论文的主要工作和研究成果如下:(1)基于欧盟自然驾驶项目UDRIVE乘用车子数据库,结合批测试方法、多工作站计算集群并行计算技术,生成驾驶表现分集与紧急安全事件分集,采用K均值聚类算法对高速场景下驾驶员驾驶表现进行了分布结构识别,研究了不同驾驶表现亚型事故风险倾向差异,构建了由多维表现到实际驾驶安全的映射模型。(2)针对对驾驶员在环试验,建立了驾驶模拟器数据采集系统,实现了多源驾驶员在环数据采集与异频实验数据同步重构,设计了基于听觉-口语次任务的多层次工作负荷驾驶员在环实验。(3)利用皮尔森相关系数以及最大信息系数对驾驶表现与驾驶安全的相关程度进行了量化评估,并以等距百分位驾驶表现对驾驶安全事件频率分布进行分解研究。以关联程度为特征提取依据,对驾驶数据进行了聚类分析,识别了驾驶表现亚型并对其风险差异进行对比分析。(4)对比三种不同类型神经网络对人类驾驶员转向行为的学习能力,测试不同超参数对长短期记忆网络预测驾驶员操作行为的影响,建立基于长短期记忆网络的拟人化转向模型。提出了基于驾驶表现与拟人驾驶模型的驾驶权限交接预警方法。