我国电商行业的兴起促进了交通物流运输行业的迅速发展。重型商用车作为物流运输主要的载体发挥着越来越重要的作用。但是,由危险驾驶行为引起的重型商用车运输交通事故比率逐年上升,给人们的生产和生活带来了巨大的损失。根据交通事故数据统计,超车是引发货运交通事故的主要原因。因此研究超车驾驶行为识别与辅助决策至关重要。其难点在于周边车辆的随机行为会造成行驶环境的不确定性,影响超车决策的准确与实时性。这要求在复杂不确定的交通环境中,车载系统能够根据所在环境与周边车辆的驾驶意图做出准确的预判,辅助重型商用车驾驶员实施安全的超车行为。然而现有方法通常认为车辆行驶环境是完全可观察的,车辆状态是离散的,这造成超车辅助策略难以应对真实不确定环境带来的挑战。针对上述问题,本文提出了一种融合不确定驾驶意图的超车辅助决策方法。首先建立高斯混合隐马尔可夫模型,预测周边车辆的三类换道驾驶意图。在此基础上,将重型商用车超车决策问题建模为与环境不断交互的多目标马尔可夫过程模型,刻画环境与超车行为之间相互适应的过程。最后使用深度强化学习方法优化重型商用车的超车策略,通过不断增强环境对策略的反馈,提升重型商用车在高速公路场景下超车策略的准确性,辅助重型商用车实施有效超车行为。本文基于开源驾驶数据集NGSIM,分析所提驾驶意图预测方法的准确性和效率。实验结果表明,所提出的驾驶意图预测准确率可以达到90%以上。同时,本文基于城市交通仿真软件（Simulation of Urban Mobility,SUMO）建立高速公路行驶场景,验证所提超车策略学习方法的有效性。实验结果表明,基于预测的意图信息,重型商用车在超车用时相较未融合意图的决策方法上提高了45.5%,平均速度相较提升了6%,超车过程中的换道次数从53次下降到20次。因此基于对周边车辆不确定驾驶意图的准确预测,重型商用车可以更合理、更有效地做出超车决策。