现代汽车正朝着电动化、智能化、网联化、共享化方向发展,智能网联汽车相关研究受到国内外学者广泛关注,并有相当的成果落地应用。在未来较长时间内,人工驾驶车辆、人工网联驾驶车辆、自动驾驶车辆以及网联自动驾驶车辆的混行将会成为一种常态。驾驶人面对复杂多变的混行网联环境增加了更多的随机性和不确定性的特征,面向混行网联环境下的驾驶人分心识别及风险补偿方法的研究变得尤为重要。然而由于混行网联环境的复杂性、交互性、动态性可能改变了驾驶人的分心特性及影响机制。目前基于传统环境的分心研究方法未必能够有效的适用于混行网联环境,只有明确混行网联环境下驾驶人分心的影响机理,量化分心与风险的关系,系统解决驾驶人行为监测的关键问题,才能更加科学合理有效地减少驾驶人人为因素导致的各类交通事故。因此,本文探究了传统和混行网联环境下不同类型分心对行车安全的影响机理,针对不同交通环境及分心类别,分别建立了驾驶人分心识别模型、事故概率预测模型及分心补偿模型。具体研究内容如下:（1）针对混行网联环境下驾驶人的认知分心行为特性识别尚不明晰的问题,提出了一种基于集成学习算法的认知分心识别模型,解决了多要素耦合的混行网联环境下分心监测需求的问题。首先,对比分析了两环境下认知分心的差异性,研究发现,扫视速度均值、水平注视角度标准差、瞳孔直径均值、垂直注视角度标准差等参数指标发生了显著的变化,交通环境的变化对认知分心产生了一定的影响;其次,基于对驾驶行为和视觉行为的统计学分析,分别建立了认知分心识别指标体系;最后,利用集成学习算法在异质空间观察和异构数据学习中修正基分类器偏差的学习优势,集成了支持向量机（Support Vector Machine,SVM）、极致梯度提升算法（Extreme Gradient Boosting,XGBoost）、长短时记忆神经网络（Long Short Term Memory,LSTM）、基于注意力机制的双向长短时记忆网络算法（Attention Mechanism-Bidirectional Long Short Term Memory,AT-Bi-LSTM）等优越异质的基分类器,构建了基于Stacking集成学习算法的认知分心识别模型。试验对比分析发现,该模型优于传统算法,在传统和混行网联环境下的识别准确率分别为96.04%和97.83%。本文所提出的模型较以往研究更全面的考虑了交通环境差异性带来的不确定性问题,增强了模型的泛化能力和适用性。（2）针对相似的视觉-操作分心驾驶行为容易识别混淆的问题,提出了一种考虑上下文时间关联性的级联网络分心识别模型,解决了复杂多样化的相似分心行为导致模型泛化能力差的问题。首先,采用State Farm分心数据集、自行构建的分心数据集作为研究基础,对其做时序调整,并利用图像增强技术扩充样本量,构建了时序分心图像数据集;其次,对比分析骨干网络,选取轻量化网络Mobile Net V3作为分心图像空间特征提取的前端网络,考虑到循环神经网络具有记忆性、参数共享等优点,对比选取了门控循环单元（Gate Recurrent Unit,GRU）循环网络作为后端网络,用于挖掘上下文时序分心特征信息;最后,提出了一种特征线性融合策略,实现了前端深度空间特征信息与GRU网络输出端的残差融合,联系时间语义的同时弥补了重要分心特征易丢失的不足。在改进的State Farm数据集上识别准确率达到90.92%,自行构建的数据集上识别准确率为89.25%,结果表明,该模型可以深度解析相似的分心特征,能够充分利用时空特征信息对相似度较高的分心行为实现良好的识别。另外,该模型对不同数据集及易混淆分心驾驶行为的识别拥有良好的鲁棒性及较强的适用性。（3）针对冲突事件下驾驶人分心风险认知及反应特性的不确定性问题,提出了一种制动反应时间模型及分心事故概率预测模型,解决了交通环境差异带来的分心与风险量化关系不明确的问题。首先,采用基于广义线性混合模型构建了制动反应时间模型,分析了影响两环境下不同分心类型制动反应时间的潜在因素及变化规律;其次,利用广义估计方程构建了分心驾驶事故概率预测模型,探究了两环境下不同类型分心对事故概率的影响机理及差异性,能够对冲突事件下的事故概率进行预测;然后,验证了分心时驾驶人会采取增大车头时距的补偿措施来弥补分心风险;最后,基于分心概率预测理论构建了理论分心补偿模型,分析并推理了不同类型分心下的理论补偿量,并采用实际事故样本对理论分心补偿的有效性进行了验证。为传统和混行网联环境下分心驾驶时应对冲突事件提供有效的风险规避方法。