近年来,随着智能交通网络的不断发展,人们对智能驾驶提出了更高的要求。智能汽车作为现代智慧交通的载体,在智慧出行、交通安全、节能环保方面扮演着极其重要的角色。驾驶员模型作为智能辅助驾驶系统的关键一环,不断创新其研究内容,提高其仿真精度,完善其测试方法都具有重要的意义。随着驾驶员模型的不断发展,传统的模型已经不能满足室内测试和辅助驾驶系统设计的需要,国内很多企业和研究院都在致力于研究驾驶风格与自动驾驶或交通博弈之间的关系,迫切的需要建立一个能够表征驾驶风格的驾驶员模型。因此,本文利用真实路试数据,分析驾驶行为特征参数对驾驶风格的影响,建立了一种基于驾驶行为特性的驾驶员模型。本文的主要内容和创新之处如下:（1）基于真实路试数据,建立了基于机器学习算法的驾驶风格识别模型,总结出来能够评价驾驶风格的特征参数指标。首先,通过分析驾驶行为习惯对驾驶风格的影响,提取部分原始数据作为驾驶风格特征参数;然后,采用主成分分析方法对特征参数进行降维处理,得到能表征驾驶风格的驾驶行为综合特征参数,并利用K-均值聚类算法对驾驶风格进行分类;最后,基于随机森林算法,以不同驾驶风格的驾驶行为综合参数作为训练数据,建立了驾驶风格识别模型。仿真结果表明,该识别模型具有较高的识别精度,可以作为选取驾驶风格评价指标的依据。（2）根据道路条件对车辆转向特性的影响,考虑侧向运动对车辆行驶的作用关系,建立了一种考虑路径曲率和横向坡度的多约束车辆动力学模型,并以此作为模型预测控制的预测模型,设计了多约束模型预测（Multi-constraint Model Predictive Control:MMPC）控制器,建立了横向驾驶员模型。仿真结果显示,和传统MPC控制器相比,MMPC控制器的路径跟踪精度和行驶稳定性都更好。（3）为了解决车辆在复杂路径下的跟踪问题,考虑纵向车速对横向控制的耦合作用,提出一种横纵向控制驾驶员建模方法。在上述横向驾驶员模型的基础上,推导车辆侧翻和侧滑的临界速度,预测出参考路径的最大安全速度。采用MMPC控制器获得最优的前轮转角控制序列,PID控制实现纵向速度的跟随。通过Simulink-CarSim联合仿真,结果表明横纵向控制驾驶员模型能够根据道路条件预测出纵向车速,提高路径跟踪精度和行驶稳定性,能够较好的适应复杂路径。（4）融合驾驶风格评价指标,建立了一种基于驾驶行为特性的驾驶员模型。该模型是在横纵向控制驾驶员模型的基础上,将横纵向驾驶风格评价指标用于驾驶员建模之中。最后搭建了硬件在环（hardware-in-the-loop:HIL）测试系统,HIL仿真验证了该模型在复杂路径下的有效性和鲁棒性。