现阶段完全自动驾驶技术尚未实现,人机共驾作为一种有效过渡方法,其接管过程中的安全问题成了众多学者研究的目标。本研究在揭示相关变量对接管时间影响的基础上,对智能汽车接管时间及碰撞事故风险做出预测,对于提高接管安全有重要意义。多数学者对智能汽车接管时间及事故风险进行探索,但仍存在以下问题:周边车流对接管时间的影响尚不明确;现有的接管时间预测模型不能很好的捕捉变量的时空特征;目前对事故风险的研究不能体现接管车辆与周边车流的交互作用。为了解决以上问题,本研究从周边车流角度出发,探索周边车流对接管时间的影响机理并对接管时间作出预测,同时使用CatBoost建立实时事故风险预测模型。主要内容如下:（1）揭示周边车流相关变量对接管时间的影响机理建立智能汽车人机切换数据集,以LightGBM作为预测模型,使用模型事后解释方法SHAP探索各变量对接管时间的影响,通过排序图、概要图及变量作用图可视化该影响。结果表明,周边交通对象的速度是影响接管时间的主要因素。环形交叉口路段道路线形对接管时间影响较低,前车车头时距及接管车辆行驶速度是影响接管时间的主要变量。在高速公路瓶颈路段及校园直线路段,驾驶员会更加在意道路左侧的车辆,当左侧车辆行驶速度较高时,会使得接管时间降低。（2）使用改进的时间融合转换器算法预测接管时间通过分析人机切换数据的特征,在时间融合转换器算法的基础上,添加了单变量特征选择算法,以建立适配人机切换数据的接管时间预测模型。使用该算法分别对三种场景下的接管时间进行预测并将其与线性回归、随机森林、XGBoost、时间融合转换器算法进行比较。结果表明,改进的时间融合转换器能够较准确预测接管时间,各场景下预测结果的平均绝对百分误差小于8%,相比于其他算法,该算法拥有最高的预测精度。（3）使用CatBoost建立智能汽车实时事故风险预测模型以距离碰撞时间为安全评价指标,建立事故-非事故数据集,以受试者工作特性曲线下面积作为模型预测性能评价指标。使用机器学习算法CatBoost筛选不同场景下的变量,揭示周边车流的相关变量对碰撞事故的影响机理,以重要度大于90%的变量作为事故风险模型的输入,建立不同工况下的实时事故风险预测模型,并将其与其他机器学习算法进行比较。结果表明,相比于随机森林及XGBoost算法,CatBoost算法能够更好的预测事故的发生,其AUC值在各工况下均高于随机森林及XGBoost。