智能车和智能辅助驾驶系统的出现为降低交通事故发生概率提供了良好的解决方案和契机,尤其是针对由于驾驶人不可靠性和不稳定性导致的交通事故。但是考虑到当前的技术条件和社会接受度等问题,完全的自动驾驶在短期内还无法实现和推广。因此,在较长的一段时间内,机器和驾驶人共同对车辆进行操作控制(即人机共驾)将是一个重要的发展趋势。在人机共驾过程中,针对当前的交通环境及人车状态,如何选择合适的驾驶模式是研究的重点问题之一。此外,对驾驶安全性进行评价也是提高车辆行驶安全性的关键步骤。本研究针对以上问题,综合考虑驾驶人生理特性变化的影响,通过对多传感器采集的属性进行筛选,提出了智能辅助驾驶系统驾驶模式决策选择模型,并对不同驾驶模式下的车辆行驶安全性进行了评价分析。本研究的主要工作如下:(1)根据智能辅助驾驶系统的特点,构建了智能辅助驾驶系统模拟实验系统和实车实验系统,考虑到不同驾驶行为险态场景的危险性,设计了基于驾驶模拟器和生物反馈仪的驾驶人生理特性采集系统。根据车辆运动的特性,设计了车辆运动特征信息采集系统。针对智能辅助驾驶系统模式切换和人机交互的要求,搭建了智能辅助驾驶系统模拟实验平台,能够实现由人工驾驶向警示辅助模式及自动驾驶模式的切换。在此基础上,设计并开展了相关的测试实验。(2)综合考虑车辆行驶过程中驾驶人生理心理指标变化特性提出了驾驶行为险态的辨识方法。通过查阅相关文献及分析实验数据,确定了能够表征驾驶行为险态的生理特征指标,并在此基础上,采用多组合K-均值聚类方法对特征指标进行进一步优化,最终确定采用血流量脉冲值(BVP)和皮肤表面电位(SC)两个指标对驾驶行为险态进行辨识。模拟实验结果显示,提出的基于驾驶人生理特性的驾驶行为险态辨识方法具有较高的精度和可靠度。(3)提出了智能辅助驾驶系统决策属性选择算法。以信息增益理论为基础分析了属性与属性间、属性与类之间的相关性和冗余性,提出了基于改进马尔科夫毯(MB-NEW)的属性选择方法,该方法引入了最大条件互信息(CMIM)和边界阈值ε分别从属性冗余性和计算收敛速度两方面对马尔科夫毯方法进行改进和提高。另外,考虑到属性选择的准确性,本研究还融合信息增益和多分类方法对智能辅助驾驶系统决策属性选择进行了分析。结果表明,采用MB-NEW方法和融合信息增益和多分类方法都得出驾驶人经验、车头时距、车道中心距、加速度、前轮转角标准差和车速六个属性为驾驶模式决策的最优因子集。此外,采用FARS系统中交通事故严重程度数据对MB-NEW算法进行测试发现,该算法对数据量较大的数据集具有较高的执行速度和准确率。(4)采用驾驶行为险态辨识结果对驾驶人自汇报的驾驶模式选择结果进行了标定,并在此基础上构建了基于多分类支持向量机(M-SVM)的驾驶模式决策模型。其中M-SVM的核函数参数和惩罚因子采用遗传算法进行优化。结果表明,相较于其它模式识别方法,本研究所提出的优化后的M-SVM具有更高的识别准确率。(5)针对多模式驾驶对行驶安全性的影响问题,提出一种驾驶安全性评价方法。该方法从状态感知、决策判断和操作动作三方面对行驶安全性进行综合评价。考虑到评价结果具有一定的不确定性,采用贝叶斯网络方法对驾驶安全评价模型进行构建。模型敏感性分析结果表明,采用所构建的贝叶斯网络进行驾驶安全性评价较为合理。