跟驰与自由换道是路段上的两种主要驾驶行为。驾驶员对信息处理的非精确性、预测性以及输入信息与反应的非线性映射关系是使用传统数学方法建立跟驰与自由换道模型的难点。人工智能技术为模拟驾驶员处理信息的这些特性提供了有力工具。本文以驾驶员信息处理的流程为主线,基于人工智能技术分别建立了驾驶员的信息预测模型、跟驰模型和自由换道模型。其中驾驶员的信息预测模型采用了模糊定性仿真技术,可以有效模拟驾驶员对信息处理的非精确特性和预测特性。跟驰模型则根据研究目的是分析驾驶员的反应过程还是仅分析驾驶员的反应结果而分别采用模糊推理技术和神经网络技术;采用模糊推理技术的跟驰模型根据交通状态的不同而采用不同的决策目标,可以有效的模拟真实的交通现象。基于神经网络的跟驰模型则可以模拟任何形式的非线性映射关系。本文还采用粒子群优化算法设计了该神经网络的训练算法,使训练过程收敛速度更快,且可以避免陷入局部最优。自由换道模型也采用了模糊推理技术,模型将换道愿望的诱发因素分为主观因素和客观因素两种。本文在模型中引入了累积剩余加速空间作为客观因素引起换道愿望的评价指标,该指标克服了传统模型采用瞬时速度利益评价换道愿望的不合理性。本文开发的模型可以真实的模拟驾驶员的跟驰与自由换道行为,是传统驾驶行为模型的有力补充。