交通流理论是打造智能交通系统的重要基础,而换道行为是最常见的驾驶行为之一,自然也是交通流理论研究的热点之一。学术界对换道行为的研究由来已久,但限于实验技术条件,一方面,研究成果往往采用低精度实测样本或仿真模拟数据作为立论基础,缺乏采用高精度的实测数据为基础的研究,另一方面,已有研究大多倾向于研究单次换道行为,缺乏对连续换道行为的关注。本文以高精度数据为依托,结合换道过程的定义提出了新的单次换道和连续换道数据提取算法,并对换道过程特征作了深入分析。首先,本文介绍了高精度数据来源,选择合适的原始数据预处理方法,分析换道过程的定义与已有算法的关系,提出了基于横向位移与横向速度的换道起点终点混合搜索算法,验证了新算法在准确度方面优于已有算法。然后,本文通过换道过程的类型定义明确了主要研究对象,并根据数理统计原理确定了研究的最小样本量和异常数据处理办法。通过对换道持续时间和纵向位移的深入分析,本文发现:以往的研究低估了换道持续时间,换道持续时间受道路交通流密度的影响,在交通流密度较大时,换道持续时间随着密度的增大而增大;在换道持续时间的三个时段中,跨线时间受影响交通流密度影响最大,且三个时段时长之间并没有明显的相关性;通过对换道持续时间的三个时段影响因素作了深入分析,发现了不同换道阶段的换道持续时间显著影响因素不尽相同;车辆的车头中点跨过车道线之前与之后的纵向位移比约比值大于1。最后,本文根据单次换道数据提取算法,提出了针对连续换道的数据提取算法。通过对连续换道持续时间的深入分析,本文发现连续换道中换道等待时间在不同统计尺度上的特征,在10s的统计口径内,换道等待时间呈“L”状分布,在5s的统计口径内,换道等待时间分布频率在2s左右会出现小幅增加,在此基础上又提出了换道等待时间阈值的概念;通过15%分位值、85%分位值和均值,对比了连续换道和多次换道过程中的位置特征,包括换道车辆与目标车道后车的净间距和换道间隙。研究表明,换道车辆与目标车道后车的净间距和换道间隙,在连续换道时的数值大于单次换道时的数值,且二者均服从对数正态分布。