对于驾驶员来说,驾驶车辆过程中需要进行周围环境的感知、驾驶的决策和车辆的操纵,因此驾驶员会承受一定量的精神负荷。当驾驶员精神负荷过低或过高时会容易引起决策或操作失误,导致交通事故的发生。为此,对驾驶员精神负荷状态进行检测对于驾驶员精神负荷监测系统的开发和提高道路交通安全有重要意义。以往的驾驶员精神负荷评价研究大多是以单一或少量的特征进行精神负荷状态分类,并且是以驾驶场景来定义精神负荷状态的分类标签,该分类标签可能没有真实地反映出驾驶员的精神负荷。因此,本文综合考虑了驾驶员的主观精神负荷感受,以生理特征和车辆操纵特征等多种特征作为输入,识别驾驶员精神负荷状态。首先,设计并进行了包含四种驾驶场景的驾驶模拟实验,通过实验采集了驾驶员在各驾驶场景下的车辆操纵数据、脑电信号和心电信号,通过NSAS-TLX表收集了驾驶员在各场景下的主观负荷评分。使用统计学方法分析了生理特征和车辆操纵特征在各个场景间的差异性情况,结果表明:绝大多数特征在不同场景间都具有显著性差异;相对于直道无次任务驾驶,弯道驾驶和执行次任务都会增加驾驶员的精神负荷,并且有无次任务对精神负荷的影响更大。其次,分别使用KNN、RF、XGBoost算法构建了驾驶员精神负荷分类评价模型,对比分析了模型在不同特征组合输入下的分类效果。然后对驾驶员在4种驾驶场景下的驾驶绩效进行了深入分析,并结合模型的分类结果说明了传统的以驾驶场景来定义精神负荷分类标签的方式具有局限性,可能会出现分类标签定义错误的问题,影响模型识别效果。最后,针对分类标签定义错误的问题,提出两种改进的精神负荷评价方法。一种是基于驾驶员的主观负荷评价和驾驶绩效修正错误的分类标签,使用修正后的数据集进行分类模型的训练。另一种方法是考虑驾驶员的主观精神负荷感受,基于机器学习算法构建驾驶员精神负荷回归评价模型,模型以生理信号特征和车辆操纵特征作为输入自变量,以驾驶员的NASA-TLX主观负荷评分作为输出因变量,对驾驶员的精神负荷进行回归评价。结果表明,本文提出的两种改进的精神负荷评价方法均可有效地识别驾驶员精神负荷,并且可消除次任务对驾驶员影响的差异性,避免出现标签错误问题。本文研究内容可为驾驶员状态监测系统和驾驶辅助系统的开发设计提供依据,有助于提高未来道路交通安全水平。