人机共驾是智能车辆长期发展的必经之路,该模式下智能车辆与驾驶人协作完成驾驶任务。为有效减少驾驶人介入时智能系统和驾驶人之间的决策冲突,需对驾驶人行为与期望轨迹进行准确识别与预测。本文对驾驶人介入时不同换道行为进行辨识,并根据当前自车行驶状态和周围环境信息对驾驶人期望换道轨迹进行预测,为人机协作混合智能决策提供支撑。本论文的主要研究内容如下:1.将换道场景分为自由换道和带一定风险的换道,基于驾驶模拟器分别开展人机协作模式下驾驶人介入时行为数据采集试验和驾驶人驾驶下换道轨迹数据采集试验,为人机共驾模式下驾驶人介入时换道行为识别模型和驾驶人期望换道轨迹预测模型的建立提供数据支持。2.基于人机协作模式下驾驶人介入时行为采集试验数据,分析不同换道行为下驾驶人操作数据特征并建立驾驶行为识别模型。将驾驶人介入时的换道行为划分为车道保持、自由换道和带一定风险的换道三类,分别基于支持向量机（Support Vector Machines,SVM）和双向长短期记忆网络（Bi-directional Long Short-Term Memory,Bi-LSTM）建立驾驶人换道行为识别模型。综合考虑识别准确率和识别效率,确定模型的最优时间窗口、网络结构及相关参数。测试结果表明,基于Bi-LSTM的行为识别模型平均预测准确率达到92.1%,相比于SVM模型提高了2.89%,说明深度学习模型在行为识别的性能上比传统机器学习方法更有优势。3.基于驾驶人操作下换道轨迹采集试验数据,分析不同换道行为轨迹之间的差异,分别基于Bi-LSTM网络和双向门控循环单元（Bi-directional Gated Recurrent Unit,BiGRU）网络建立驾驶人期望换道轨迹预测模型,对自由换道和带一定风险的换道的历史轨迹特征进行深入挖掘,利用历史时刻车辆行驶状态参数和周围车辆信息预测车辆未来时刻的位置。选用均方根误差作为模型的评价指标,测试结果表明,双向循环神经网络比单向神经网络的预测误差更小,Bi-GRU轨迹预测模型的性能最优且比Bi-LSTM收敛更快。最后将Bi-LSTM行为识别模型与Bi-GRU换道期望轨迹预测模型通过UDP通信方式相连接,利用测试集数据对算法的实时性和准确性进行验证。