自动驾驶和车联网技术通过信息传递和自动化控制等方式,能够有效地提升交通系统的运行效率及保障驾驶员安全。但是,现阶段离实现完全的自动驾驶仍有一定的距离,在此过渡阶段,出现危险情况或突发情况时,仍需要驾驶员对车辆进行刹车等避撞操作。而驾驶预警系统等能够有效地帮助驾驶员判断并识别潜在危险场景,准确地进行下一步操作,能够在一定程度上保障驾驶安全。与视觉预警、触觉预警等方式相比,听觉预警是更为适合且更为常用的驾驶预警方式。然而不同的听觉预警方式会对驾驶员产生不同的影响,若听觉预警不能准确地引导驾驶员进行操作,则会严重削弱预警的效果,甚至产生更为严重的后果。所以,本文将基于不同的听觉预警方式,对驾驶员的应激反应进行研究,该研究可为改善无自动驾驶至全自动驾驶过渡阶段的驾驶辅助系统的设计提供理论依据。首先,本文从驾驶员的应激反应出发,分析其应激反应过程及其相关影响因素。针对驾驶员应激反应,初步选取心电特性、眼动特性及车辆操控特性的表征指标,设计“无预警—抽象音预警—语音信息预警”实验方案,并采集不同听觉预警方式下驾驶员各类特性的指标数据。其次,通过对实测数据进行统计学方法的处理,分析不同驾驶熟练度和不同听觉预警方式下的驾驶员心电特性、眼动特性和车辆操控特性的影响规律及其变化特征。结果表明,不同驾驶熟练度对驾驶员应激反应有着显著的差异。抽象音预警—语音信息预警间仅有心电指标心率均值和眼动指标瞳孔直径数据存在显著性差异,“无预警—语音信息预警”组间数据显示,有显著差异的指标数据达到10项,“无预警—抽象音预警”存在6项显著性差异指标。最后,以“无预警—语音信息预警”为研究对象,对各类特性指标进行相关性分析和主成分分析,构建驾驶员应激反应的表征指标集。通过熵值法,对驾驶员的听觉预警有效性进行评价及分级。并且根据该表征指标集,运用机器学习的k NN算法和深度学习的LSTM算法构建听觉预警方式下的驾驶员听觉预警有效性预测模型。结果表明,在听觉预警有效性值的预测和听觉预警有效性层级的预测上,k NN算法的预测效果均优于LSTM算法,更适合用于听觉预警有效性预测模型的构建。并且根据研究成果,对其实际应用提出了三种设想,为完善听觉预警的设计以及交通安全的研究提供一定的思路。