随着交通系统的发展和汽车的普及,驾驶行为引发的交通事故已经成为危害公共安全的关键问题。由于驾驶行为能够反映驾驶员的行为偏好和自身性格等,并且对交通安全至关重要,因此驾驶行为成为交通领域的研究热点之一。然而,驾驶行为数据具有不确定性、复杂性和非线性的特点,导致驾驶行为表征难和评估难的问题。本课题以驾驶行为为研究对象,结合机器学习与统计学相关方法,开展驾驶行为标准化、特征化、符号化表达以及换挡规律整定四个方面的研究,为保障驾驶安全、提升驾驶决策、降低汽车油耗等工程领域提供参考。论文的主要内容包括:（1）针对驾驶行为因采集路况不同导致无法客观评价的问题,提出了一种基于门控稀疏自编码网络的驾驶行为标准化算法。该方法对驾驶员的驾驶行为操作和汽车的车速同时进行学习,能够将驾驶行为映射到标准汽车测试的速度曲线,并得到对应的标准化驾驶行为。该方法原理简单且有效,克服了传统方法在驾驶员和汽车建模方面费时费力的缺点。算例分析验证了所提方法的有效性,并应用于驾驶风格量化评价和汽车油耗评价任务。（2）针对非线性驾驶行为隐含特征的表示学习问题,采用相空间重构的方法对一维驾驶行为进行高维重构,然后取出相空间的轨迹图像结合预训练的卷积神经网络进行特征提取,并利用UMAP方法对高维特征向量进行降维与可视化。通过对高维向量的距离度量以及驾驶风格识别等任务,验证了所提方法在驾驶行为特征表达方面的有效性。（3）针对驾驶行为中的换挡行为语义单元,利用符号聚合方法对换挡行为进行符号化表示,在降低数据维度和保留原有语义特征的基础上,也保留了原始数据的分布信息,从而为驾驶行为的语义解析和定量评价提供了新方案。算例分析将该方法应用于驾驶员的识别任务中,取得了较好的效果。（4）考虑到驾驶员行为偏好在换挡过程中的重要性,分析了驾驶员的手动换挡时机与现有的换挡规律基线的不同之处;建立换挡规律整定过程的综合评价指标,全面考虑了换挡曲线对驾驶油耗以及车辆换挡品质的影响;利用仿生学算法引导换挡规律的寻优过程,并将在线评价任务与优化任务相结合,完成适合驾驶员个人偏好的换挡规律整定。所提方法在保留驾驶员自身换挡偏好的同时,也降低了汽车的燃油消耗量、提升了驾驶过程的舒适性,为个性化换挡规律的整定提供了新思路。