自动驾驶汽车通过智能化技术可有效提升车辆的安全性、舒适性、高效性和经济性,而自主决策能力则是其智能性的核心体现。然而,现有决策系统主要面向低级别智能汽车设计,在高级别自动驾驶应用中存在时空轨迹规划实时性不足、周车行为预测准确性有限、复杂交通流中适应性较弱等缺点,总体性能与人类驾驶员水平差距明显。针对这些问题,本研究以决策系统为研究对象,围绕自动驾驶汽车时空轨迹的在线规划、周车行驶轨迹的长时域预测,以及自车决策回报函数的拟人化设计等关键技术展开研究,并实现了高速公路场景下自动驾驶汽车的拟人化决策功能。首先,本研究提出了基于有向非循环图的自车时空轨迹规划方法。针对动态交通流与道路约束,基于网格化地图构造含有时间信息的有向非循环图,对环境预测信息进行表达,并利用改进后的A*算法实现路径与速度的同步搜索。进一步,针对周围动态障碍物构造用于自车行驶的凸可行域,并利用模型预测控制方法结合车辆运动学模型对前述时空轨迹进行优化,实现了自车时空轨迹的在线规划。其次,本研究提出了结合换道意图识别的周车长时域轨迹预测方法。针对环境不确定性和传感器噪声,结合不同统计指标基于同步滑窗技术生成候选特征,利用条件互信息含量优选特征,并基于随机森林分类概率输出,引入证据理论对换道意图进行多源判定。进一步,针对不同驾驶意图,基于长短期记忆网络,设计含有换道意图语义信息的轨迹预测神经网络架构,实现了周车行驶轨迹的长期预测。最后,本研究提出了利用驾驶策略预采样的回报函数快速学习方法。针对驾驶人决策回报函数逆强化学习耗时长的问题,通过定性分析指出,避免求解强化学习问题的最优策略是加速学习的有力途径。进一步,利用驾驶人模型知识,构造驾驶策略子空间,并基于策略预采样生成候选轨迹,进而设计轨迹优选机制,并利用梯度更新迭代求解最优权重系数,实现了决策回报函数的高效学习。针对自动驾驶汽车在实际道路实验时所面临的高成本和高风险问题,本研究自主开发了自动驾驶汽车仿真平台,并对所提出的拟人化决策算法进行了驾驶安全性、乘坐舒适性、行驶效率性、燃油经济性等方面的功能验证。本研究为高级别自动驾驶拟人化决策系统关键技术的研究提供了系统性的思路和方法,促进了知识驱动的问题建模与数据驱动的机器学习之间的交叉融合,为自动驾驶汽车的实际应用提供了理论指导和技术支撑。