驾驶员起步意图识别可以预测一段时间内驾驶员的驾驶行为和驾驶规律,预知下一步驾驶员的操作,预警驾驶员危险行为。近年来,各大汽车厂商开始研究先进的智能识别技术。目前,驾驶员起步意图识别常用的方法有模糊推理和支持向量机分类器等,上述算法在识别过程中存在识别时间长、准确率不高、可靠性差等问题。比较了两种算法优缺点,本文提出了基于模糊推理一SVM级联算法的驾驶员起步意图识别方法。此算法在处理大样本数据方面有一定优势,具有准确率高、识别时间短等优点。本文在分析、总结国内外意图识别成果和数据采集方法的基础上,首先,设计了实验室数据采集平台和实车数据采集方案。介绍了实验室数据采集平台的硬件和软件,在实验室利用电子油门踏板、采集实验箱和上位机对数据进行采集。使用CAN-OBD工具对实车数据进行采集,并分析数据。其次,分别用模糊推理算法和支持向量机算法对驾驶员起步意图进行识别。在模糊推理中选取模糊子集、隶属函数,制定模糊控制规则等,构建Simulink模糊推理模型进行分类识别,输出驾驶员意图。在支持向量机算法中,利用遗传算法工具箱对惩罚因子C和核参数g进行优化,使用支持向量机分类器来识别驾驶员起步意图。分别用实验室数据和实车数据对两种算法进行训练、测试,得出相应实验结果。最后,提出模糊推理一SVM级联算法的驾驶员起步意图识别方法。其原理是把所有样本数据输入到第一层模糊推理模型进行分类识别,挑选出易混淆的意图,将其导入第二层支持向量机(SVM)分类器,进行意图分类识别。用实验室数据和实车数据分别对级联算法进行验证。实验结果表明,模糊推理一SVM级联算法用时较少,识别准确率比单一的模糊推理算法或支持向量机算法高。驾驶员起步意图识别方法研究不仅能为后续汽车离合器的最优控制、优化换挡曲线和驾驶风格识别提供有利依据和支撑,也有助于实现汽车辅助驾驶和智能驾驶,具有一定的研究意义。