驾驶员模型是汽车交通安全、智能交通系统、无人驾驶等技术的基础研究内容和关键环节之一。随着汽车智能化的快速发展，不同等级、不同场景的自动驾驶技术将逐渐得到实际应用，人们对于能够体现驾驶习惯的个性化驾驶员模型的需求变得越来越迫切，但目前这种个性化驾驶员模型的相关研究还很欠缺，而交通事故的发生往往与驾驶员个性化操纵行为有关，一种不良驾驶习惯也可以导致特定道路下的交通事故。针对上述需求，本文提出了一种基于驾驶风格迁移网络的个性化驾驶员模型框架，在此框架下，选取其他驾驶员一部分历史数据，并结合少量目标驾驶员数据作为输入，通过驾驶风格迁移网络，形成符合目标驾驶员的驾驶行为数据迁移模型，实现对该驾驶员本质特征的提取。借此模型获得大量符合目标驾驶员的迀移学习数据，从而训练目标驾驶员模型，完成数据层面上的个性化驾驶员行为建模，实现对驾驶员换道行为长时预测。主要研究内容如下：（1）基于驾驶风格迁移网络的个性化驾驶员模型构建方法的提出。首先介绍基于驾驶风格迁移网络的个性化驾驶员模型构建方法的思想来源，其次构建基于驾驶风格迁移网络的个性化驾驶员模型框架，最后将上述模型构建方法整体思路中的关键技术进行简要叙述。（2）基于驾驶风格迁移网络的数据迁移模型的建立。针对传统个性化驾驶员行为建模方法在模型层面的建模过程中受到特定模型结构的限制，不能充分利用历史数据，分析现有数据迁移方法的优缺点，提出一种基于驾驶风格迁移网络的数据迁移学习模型构建方法，通过充足的其他驾驶员驾驶行为数据，结合少量目标驾驶员的操作信息、本车状态信息，将其他驾驶员驾驶行为数据迀移至目标驾驶员处，完成不同驾驶员数据间的知识迀移，实现对历史驾驶行为数据的重新利用，为后续目标驾驶员的个性化模型训练提供充足的数据支持。（3）基于LSTM-MLP的驾驶行为预测模型的建立。该预测模型包括了驾驶行为预测网络与检验网络。针对传统神经网络在时序数据预测上的不足，本文首先根据编码器-解码器结构建立驾驶行为预测网络，基于多层感知机搭建检验网络；然后构造联合损失函数作为驾驶行为预测模型的损失函数以适应驾驶行为预测的需求；最后利用预处理后的换道行为数据对构建的预测模型进行了训练与验证。（4）基于驾驶风格迁移网络的个性化驾驶员模型实验验证。首先通过对个性化驾驶员模型需求分析，设计并搭建个性化驾驶员模型实验平台，然后利用该平台进行换道场景下的驾驶行为数据的采集和预处理，最后利用实车数据完成个性化驾驶员模型的训练与预测，并对实验结果进行分析，验证所提出的个性化驾驶员模型构建方法的有效性和准确性。