自动驾驶是车辆工程技术发展的重大变革,其在有效提高道路安全性的同时,对于缓解交通拥堵、减少环境污染具有重要作用。从自动驾驶决策系统的功能要求出发,其一方面应在保证行车安全的同时有效提高通行效率;另一方面系统的决策输出应满足不同驾驶人特性的多样化需求,以提升自动驾驶系统的实际应用体验。目前,相对于自动驾驶车辆的行驶安全决策和通行效率研究,由于驾驶特性表征模式所具有的高维性、随机性等复杂属性特征,其为决策系统的应用体验性能提升带来了很大困难。基于此,本文以车辆自动驾驶决策为研究目标,在对驾驶人个体驾驶风格差异性分析的基础上,基于GAIL-DDPG提出了一种车辆自动驾驶拟人决策模型,并对所构建的模型进行了有效性验证。主要研究内容包括:（1）驾驶人的驾驶风格特性分析及特征数据库构建基于本文研究目的,影响驾驶人驾驶风格的特征属性分析及定量表征是进行拟人决策研究的基本要求。在相同交通环境下,不同的驾驶人决策行为将导致车辆的运行状态具有较大差异,这为通过车辆相关运动状态参数进行驾驶风格界定和表征提供了可行途径。基于此,本文在对驾驶人驾驶风格评价方法详细分析的基础上,结合试验数据对驾驶人驾驶风格进行了合理的量化及表征,构建了用于拟人决策模型构建的特征数据集。（2）基于人工势场理论的强化学习奖励函数设计基本强化学习模型的构建是本文进行自动驾驶拟人决策的基础。其中,奖励函数需要根据车辆的运行特性要求进行针对性的设计。基于此,鉴于人工势场理论在车辆在线路径规划中的成功应用,本文在对车辆行驶安全性、效率和平顺性深入分析的基础上,基于人工势场理论提出了一种以智能体为中心的车辆运行势场函数设计方法,进而结合试验数据对所构建的强化学习模型进行了训练和实证。（3）模仿-强化学习训练模式转移策略基于专家数据的模仿学习可有效提升强化学习模型的训练效率,如何实现模仿学习到强化学习的平稳过渡是本文基于GAIL-DDPG模型构建的关键之一。其中,训练模式的转移一方面应考虑最大化模仿专家数据分布,另一方面应兼顾强化学习要求保证智能体决策不偏离专家数据分布并探索更高级决策行为。基于此,本文在对多种转移函数特性深入分析的基础上,提出了一种基于Sigmoid函数的训练模式转移策略,从而实现了模仿学习向强化学习的平稳过渡。（4）自动驾驶拟人强化学习模型构建基于以上构建的GAIL-DDPG模型,如何将驾驶人的个体特性引入是所构建模型实现拟人化的关键。基于此,本文在驾驶人驾驶风格类型可靠辨识的基础上,通过车辆运行势场函数权重的动态调整实现了不同驾驶人特性的合理引入,进而建立了一种考虑驾驶人个体特性的深度强化学习自动驾驶拟人决策模型。围绕车辆自动驾驶决策问题,本研究针对驾驶人特性分类、拟人决策模型构建等关键问题开展了相关研究工作。所做工作突破的重点在于:（1）针对强化学习智能体训练效率提升问题,本文通过模仿学习的引入及合理的模型训练转移策略设计实现了强化学习模型前期训练探索效率的有效提升;（2）针对模型的拟人化决策问题,在车辆行驶势场函数构建的基础上,结合不同驾驶人的驾驶风格特性对其权重实施动态调整,进而构建了完整的自动驾驶拟人强化学习决策模型。