随着车联网技术和无人驾驶技术的推进,以人工驾驶、网联车、自动驾驶车为代表的多主体参与的复杂交通场景逐渐成为现实。人车共驾中,智能车的决策行为一直以效率和安全为主要目标,却忽略其与驾驶人决策行为的一致性问题;且以往驾驶人的驾驶风格一旦确认后就不再发生变化,是稳定不变的,而越来越多的研究表明,驾驶人的风格随周边交通环境的变化存在一定的波动性。为寻求智能网联混合交通环境中智能车更符合驾驶人效益追求逻辑的换道决策行为,本研究以智能车换道行为为主要研究对象,考虑车辆换道效用评价、车辆换道安全评价等指标,纳入动态驾驶风格表征方法,改进智能驾驶车换道决策模型,以实现更加高效、安全的换道行为决策。具体的,开展了以下三部分主要工作。（1）为剖析驾驶风格在不同驾驶环境中的变化规律,针对稳态和震荡两种不同的交通流环境,通过时间域内的驾驶行为特征分析,发现驾驶行为随驾驶环境变化而产生波动性。因此,在重点考虑驾驶行为波动特性的基础上,建立了长短期时空域范围内的动态驾驶风格表征框架,以此来进行驾驶风格的量化表征。（2）对周边驾驶人行为的预测可为智能驾驶车辆换道决策提供更加充分的决策支持。为智能驾驶车辆提高换道决策的安全性,研究基于目标车辆驾驶人依据实时交通环境和其动态驾驶风格二者的匹配性做出换道决策的特点,将动态驾驶风格表征为驾驶风格画像、将实时交通环境表征为驾驶环境图,并基于深度学习技术构建了一个双通道输入的复杂卷积神经网络结构进行训练学习。发现所设计方法在保持较高预测精度的基础上,能更好的控制错误预测换道行为的发生,为驾驶人自身换道行为预测安全提供了保障。（3）为使驾驶人在人车共驾时对驾驶状况的感知与智能车保持一致,让智能车能够模仿驾驶人的驾驶习惯,在传统博弈论换道模型的基础上,纳入了车道选择最大效用理论和动态驾驶风格表征方法,并提出换道安全风险评价模型进行换道安全约束,建立了考虑驾驶风格波动特性的车辆换道决策模型。为对模型进行适应性验证,实验采用SUMO仿真平台和Python语言进行车辆驾驶控制仿真。交通场景选取1800veh·h-1,2400veh·h-1,3000veh·h-1三种不同交通密度的高速公路环境。将该模型与LC2013和MOBIL模型进行对比,发现在微观和宏观层面,本研究所提模型都有更好的决策行为表现,特别是在较高密度交通环境中。综上,本文从驾驶行为规律分析、动态驾驶风格表征、驾驶人行为预测以及智能驾驶换道行为决策几个层面进行理论分析和建模研究,以期在智能网联混合交通环境中智能驾驶车辆更合理的换道决策行为能够提高行驶效率和安全性。