自动驾驶是智慧交通建设的重要一环,城市中自动驾驶汽车占比的提高有望缓解交通拥堵、提升出行效率、提高道路安全。自动驾驶技术所引发各种影响和变化都和公众的接受程度密切相关。单车智能与车路协同可能是未来自动驾驶汽车的两种实现形式,而公众的接受程度对二者的技术发展、社会政策以及基础建设投资具有一定的导向性作用,但目前对比二者公众接受度的研究还不多见。本文提出了一种结构方程模型与人工神经网络相结合的研究方法,对比分析单车智能和车路协同两种自动驾驶汽车的公众接受度。结构方程模型较多用于分析自动驾驶接受度影响因素间的线性关系。人工神经网络可以解释非线性相关关系,量化神经元连接权重。本文以结构方程模型的输出作为人工神经网络的输入,既弥补了结构方程模型的线性问题,也保障了人工神经网络的输入变量准确性。在对比已有研究中自动驾驶技术接受度的影响因素后,通过扩展变量的整合型技术接受与使用理论(Unified Theory of Acceptance and Use of Technology,UTAUT)来统领全文的理论框架。UTAUT模型中的四个原有变量绩效期望、努力期望、社会影响和促进条件,涵盖了影响行为决策的动机因素、利用资源和外界规范。而拓展的风险期望与消费者创新性两个变量从技术使用的外缘条件与自身心理两层面进一步充实了理论框架,更全面地解释了自动驾驶技术接受度。使用结构方程模型分析因变量与自变量间的因果关系,以及潜变量间的线性相关关系。通过回归分析系统地探究自动驾驶技术接受度的影响因素,同时验证各变量对接受意愿的预测显著性。然后将结构方程模型验证的具有显著预测力的六个变量,作为人工神经网络的输入层,输出层为接受意愿。在前馈反向传播多层感知器中进行人工神经网络建模,量化输入层变量对输出结果的预测关系。分析结果中,理论框架的六个变量均对自动驾驶接受度的预测具有不同程度的显著效果,其中社会影响是单车智能自动驾驶接受度的最强预测因素,而车路协同自动驾驶接受度的最显著影响因素为努力期望。此外,也对风险期望与绩效期望的预测因素进行了神经网络分析,发现了输入神经元的不同权重。本研究旨在通过的系统的理论框架,覆盖异质性人口的自动驾驶接受度多重影响因素。利用结构方程模型与人工神经网络结合的分析方法,研究多元的变量显著性与相对重要性关系。为技术开发者和行业管理者提供自动驾驶技术发展与政策制定的相关理论基础。