利用装备在车辆上的毫米波雷达、多功能摄像头、超声波传感器等获取的各类驾驶人信息与道路环境参数，结合从CAN通道中采集的车辆动态参数实现的先进驾驶员辅助技术能有效降低交通事故发生率，提升交通安全。然而在驾驶意图未知的情况下，驾驶员辅助系统可能作出违背驾驶意图的报警提示，甚至对车辆进行错误的主动干涉，导致危险状况发生。因此，对驾驶意图进行准确的辨识有利于提高驾驶员辅助系统的工作效能。　　鉴于换道操作是最普遍的一种驾驶行为，换道意图是最重要的驾驶意图之一，本文对换道意图辨识方法展开了研究。论文首先分析了国内外关于驾驶意图的研究成果，并对驾驶过程中人-车-路参数进行了综合分析，选取了在车道保持和换道意图阶段差异性明显的特征参数;然后构建了不同特征组合下的换道意图辨识模型进行对比分析，确定了最佳人-车-路特征参数组合和时窗长度;论文最后还进行了模型的参数优化和二次验证。本文主要研究内容如下:　　(1)实验数据的采集。基于驾驶模拟器，设计了高速公路场景，招募了受试驾驶者，完成了驾驶实验，采集了各类人-车-路参数信息，为后期进一步开展换道意图分析和特征参数选取奠定基础。　　(2)特征参数的选定。基于对换道意图期间驾驶行为与驾驶意图间的关系分析，结合各个参数在车道保持和换道意图阶段的差异性分析，选取了人-车-路信息特征参数，包括:方向盘转角、车辆纵向加速度、车辆偏离车道中心线距离、驾驶人头动横坐标变化;为对比各个特征参数对识别效果的影响，进而选取出最佳特征参数组合，设计了由4种特征参数组合、3种时窗长度排列组成的12组不同的特征向量进行对比分析。　　(3)支持向量机换道意图识别模型的建立。提出了以支持向量机理论为基础的换道意图识别模型，导入各特征向量完成各模型的训练;以训练得到的检验集合分类准确率、特异性、灵敏度为模型识别效果的主要评价指标，构建了各组特征向量条件下的受试者特性曲线(ROC);并通过计算ROC曲线下方围成的面积AUC，筛选出了最优特征参数。结果表明:以方向盘转角、纵向加速度、车辆偏离车道中线距离和驾驶人头部横坐标变化为特征参数，时窗选为3s可获得最优识别效果。　　(4)模型参数优化与验证。以交叉验证思想为理论基础，通过构建网格寻优和GA-SVM遗传算法寻优的MATLAB GUI系统，实现了SVM换道意图辨识模型的惩罚参数c、核函数参数g的寻优，得到了最优参数;对选定的最优参数条件下的模型进行的通用性验证，验证结果表明:模型的识别准确率达90％，基本符合驾驶员辅助系统要求。