汽车智能化能有效减少事故、缓解拥堵、降低能耗并提高道路利用率,成为学术界和工业界的研究热点,作为汽车智能化的典型代表,自动驾驶技术将信息、传感、通信、控制、计算机以及人工智能技术融合起来,代表着未来汽车技术的战略制高点,也是目前世界公认的发展方向。得益于道路结构统一、交通流向明确、环境相对封闭、车辆行驶规则确定等优势,高速公路下的自动驾驶有望成为自动驾驶技术走向商用的第一步。本课题依托国家自然科学基金项目“基于驾驶员决策行为表征的自动驾驶决策规划与鲁棒控制研究”（51875061）及科技部重点研发计划“智能电动汽车的信息获知、决策与控制关键基础问题研究”中“人机共驾理论及驾驶权分配研究”（2016YFB0100900）,从高速公路行驶条件下驾驶员行为特性建模与自动驾驶车辆运动决策规划方面开展了基于拟人化驾驶的智能汽车决策研究。论文的主要研究内容如下:（1）分析了典型高速公路行驶工况特点,设计了典型行驶工况场景,采集了驾驶模拟器以及实车道路试验的车辆行驶状态数据,建立了基于贝叶斯理论的驾驶员高斯混合模型（GMM）,提出了基于重要性采样以及多维条件概率密度分布回归的驾驶员特性分析方法,针对跟车行驶工况,提取反映驾驶员特性的主要特征参数,实现了驾驶员特性建模与分析。针对环境车辆的预测,提出了基于高斯过程的环境车辆纵向运动预测方法,为自动驾驶决策过程中车辆行驶安全风险的准确评估奠定了基础。（2）面对复杂行驶工况下的拟人化驾驶决策难题,提出了基于混合动态逻辑系统（MLD）的车辆碰撞风险描述方法,通过车辆碰撞风险边界的严格定义,建立了基于模型预测控制理论的车辆行驶状态决策规划算法,实现了复杂行驶环境下的自动驾驶安全性。考虑驾驶员行为统计特性,提出了基于熵权与方差权的行驶性能目标权重分配方法,实现了基于驾驶员拟人化表征的自动驾驶决策,运用驾驶员分类模型进一步验证了拟人化决策的准确性。（3）为实现实时高效地自动驾驶决策,提出了基于几何路径生成的自动驾驶决策方法,研究了多种几何参数路径在决策规划应用中的特点,选择三次Bézier曲线作为参数曲线路径,从空间角度,通过对终点位置采样生成可供车辆行驶的备选路径,从时间角度,建立速度二次规划模型实现车辆速度规划,提出了基于几何相交检测法的车辆安全性评估方法。在此基础上,提取车辆的安全行驶轨迹,综合考虑行驶拟人化、路径合理性、轨迹一致性、速度波动性,设计了满足规划性能目标要求的最优行驶轨迹。基于几何路径生成的拟人化自动驾驶决策方法提升了自动驾驶过程中的拟人化行驶性能和决策效率,保证了行驶安全性。（4）研究了强化学习算法在自动驾驶决策规划中的应用,针对跟车行驶工况设计了强化学习交互环境,基于实车试验数据设计了奖励函数,针对连续动作空间问题,分别采用近端策略优化（PPO）、深度确定性策略梯度（DDPG）与软动作-评论（SAC）算法,学习驾驶员跟车决策行为,建立了决策模型。研究结果表明:强化学习能有效学习驾驶员的决策行为并进行模仿,且PPO算法具有更好的计算性能。基于强化学习的最优策略以及基于规则的几何路径生成策略,提出了多策略切换机制,改善了几何路径生成法只能对驾驶员统计特性进行拟人化决策的问题,基于规则的安全性评估弥补了强化学习策略对安全性评估的缺失,实现了强化学习在自动驾驶决策过程中的拟人化应用。