驾驶人在道路交通系统四个组成要素（人、车、路以及环境）中最具自主性和随机性，其微观驾驶行为特性与交通流运行特性以及交通安全紧密相关。近年来，随着我国机动车保有量迅速增长，驾驶人数量迅速增加，驾驶人群体间的差异增大，对我国道路交通系统的运行效率和安全性产生了显著影响。本文通过在真实道路、动态交通环境下采集驾驶人驾驶行为特性数据，对驾驶人的跟驰和换道行为特性进行系统化、定量化的研究分析，建立微观交通流仿真环境分析驾驶人驾驶行为特性对道路交通流运行和交通安全的影响。本文的研究对于深入理解驾驶人微观驾驶行为与交通流运行特性和交通安全的内在关系、缓解我国道路交通系统拥堵以及提高驾驶安全性具有重要意义。　　首先，本文设计了由激光测距模组、高精度GPS、行车记录仪、电脑终端以及实验车辆构成的车载综合驾驶行为特性数据采集平台并制定了详细的数据采集方案。结合问卷调查方法，应用车载平台在真实动态的道路交通环境下采集专业与非专业驾驶人的驾驶行为特性数据，包括驾驶人基本属性数据、实验车行驶轨迹数据以及实验车与周边车辆交互特性数据。针对原始跟驰行为数据的存在问题，应用局部加权拟合方法处理得到实验车、引导车和跟随车高精度的行驶轨迹数据;通过分析换道行为数据存在问题的产生原因，采用相应方法处理得到有效的换道行为特性数据。　　基于实验采集的跟驰行驶轨迹数据和换道行为数据，研究了驾驶行为特性参数的统计特性、变化规律以及不同经验驾驶人（专业与非专业驾驶人）之间的差异。分析的特性参数主要包括:车辆行驶速度、加速度、加/减速延迟时间、跟驰距离、时间间隔、换道接受间隙、换道速度差以及换道持续时间等。　　通过跟驰行为特性参数数据的分析，构建了基于驾驶行为特性的刺激反应点跟驰模型(简称DB-APM)。将驾驶人跟驰行为划分为稳定跟驰状态与有意识反应状态，应用K-means聚类方法划定了两类跟驰状态的加速度范围。应用Logistic回归模型与BP神经网络再现两类跟驰状态转换的随机性。对于稳定跟驰状态，基于驾驶人跟驰过程的振荡特性推导得到该状态下的加速度模型;对于有意识跟驰状态，采用考虑反应延迟时间的智能驾驶模型（简称IDM）作为该状态下的加速度模型。在分析驾驶人的换道决策过程和执行过程的基础上，构建了基于驾驶行为特性的离散选择换道模型（简称DB-DCM）。DB-DCM模型包括换道决策模型与换道执行模型。　　结合DB-APM跟驰模型与DB-DCM换道模型，开发了基于驾驶行为特性的微观交通流仿真环境（简称DB-TSE）。应用DB-TSE进行了城市快速路交通流仿真，模拟结果较好的重现三相交通流理论，能够模拟自由流相、同步流相与宽运动阻塞相的基本特征以及各相位之间相互转换的过程。模拟分析了交通流的稳定性、通行能力、交通流陡降特性，并分别讨论了减速幅度、延迟时间、稳定跟驰范围、期望跟驰距离、期望自由行驶速度、换道行为等微观驾驶行为以及不同类型驾驶人的驾驶行为差异对以上宏观交通流运行特性的影响。　　在研究路段采集得到不同速度下的驾驶人跟驰距离数据，并将其与DB-TSE的仿真结果对比，验证了DB-TSE的仿真精度能够满足交通安全分析的要求。构建了集计避撞减速度指标(简称IDRAC)。通过与不同时段的平均事故率统计数据对比发现，IDRAC指标的变化情况与总事故率、追尾事故率以及换道碰撞事故率数据的变化趋势相符，并建立起IDRAC与各类事故率的线性回归模型。应用DB-TSE仿真环境进一步模拟分析了IDRAC指标在不同交通流相位（状态）下的变化规律与驾驶人驾驶行为特性差异对IDRAC指标的影响情况。