智能汽车已成为全球汽车产业发展的战略方向。驾驶辅助系统是智能汽车重要的组成部分,要实现智能化驾驶辅助,一个重要的先决条件是需要对驾驶者的行为和状态进行有效的分析评估,以使驾驶辅助系统对于车辆的控制以及采取的辅助决策更为智能。鉴于此,深入研究驾驶行为内在形成机理,构建驾驶行为模型,形成准确识别、深度分析、融合评估的驾驶行为分析体系,对于提升驾驶辅助系统以及未来自动驾驶车辆的智能化水平有着重要的意义。本文针对驾驶行为的复杂特征,通过多种机器学习方法对驾驶过程的分心行为、驾驶风格以及驾驶危险感知进行了研究,具体的研究内容和成果如下:（1）针对分心驾驶行为的精细化识别问题,提出了一种基于时空融合卷积网络和残差网络的分心驾驶行为识别方法。并在分心行为识别的基础上,通过道路环境态势的融合分析,设计了一种分心驾驶行为危险程度的评估机制。首先通过时空融合卷积网络根据分心行为图像序列形成的动态光流信息,获取行为图像的显著度特征。然后融合时空卷积网络和残差网络根据行为图像的动态显著度特征和静态深度信息对行为类型进行识别。实验结果表明,基于时空融合卷积网络和改良残差网络的分心驾驶行为识别方法识别准确率可达91.35%,优于残差网络的识别性能。最后基于道路环境态势融合分析,构建了从行为图像分析到量化评估指标的端到端分心行为危险性评估方法,通过量化评估进一步提升了分心驾驶行为的分析细粒度。（2）融合多种驾驶风格分析结果,基于层次分析模型提出了面向不同分析目标的驾驶行为风格综合量化评估方法。首先基于高斯混合模型对纵向跟驰行为进行建模,并根据安全行车距离设计了纵向驾驶风格分析方法。然后基于深度卷积神经网络预测横向行驶安全区域,根据安全区域提出了横向驾驶合理性量化评估方法。其次基于并行谱聚类方法对六类车辆状态数据进行挖掘分析,获取驾驶者宏观驾驶经济性风格,基于并行谱聚类的经济性风格分类方法的准确率相对于k-均值聚类以及模糊核聚类方法分别提高了8.1%和3.9%。最后针对多种驾驶风格有效融合的问题,基于层次分析模型对多维驾驶风格评估结果进行融合分析,构建了驾驶风格统一量化评估方法,提升了针对不同分析目标时驾驶风格评估结果的综合性和准确性。（3）以驾驶者对于连续视频的危险感知结果为研究对象,基于长短期记忆网络构建了一种模拟驾驶者危险感知能力的模型。现有研究着重于危险感知能力评估,而对于构建个性化危险感知能力模型的研究较少,因此在本文中将驾驶者感知危险时的道路环境信息进行序列化编码,通过长短期记忆网络模型学习序列编码深度特征,构建反应驾驶者危险感知能力的量化模型。实验结果表明,所构建的危险感知模型可以准确的预测驾驶者对于潜在危险的认知结果,辨识效果优于基于支持向量机和多层神经网络获取的危险感知能力模型,对于个体危险感知结果的预测准确率为81.5%。最后基于潜在危险预知能力评估方法对所提出的模型有效性进行了研究,相对于基于视频片段的评估结果,所提出的危险感知模型可以更准确的反映驾驶者的实际危险感知能力。（4）基于分心行为识别和危险感知模型,设计了一种基于环境感知和行为自适应检测的防碰撞预警系统。首先研究设计了自然驾驶数据采集系统,为防碰撞辅助系统获取驾驶行为特征提供可靠数据基础。然后基于AUTOSAR架构将行为分析方法抽象为独立功能组件,并根据AUTOSAR的调度机制设计了基于分心驾驶自适应检测的防撞预警系统,最后根据模拟的危险交通情景进行仿真,验证其在驾驶辅助应用中的有效性。实验结果表明,将分心识别与防撞预警进行融合可以增加驾驶者分心状态下的避险操作时间以提升驾驶安全性,同时基于危险感知模型的分心行为自适应检测,可以提升行为识别效率并降低融入分心行为识别给防碰撞预警系统带来的额外运行功耗。