短期内,智能车辆和传统车辆混行的模式必将持续存在。智能车辆在高速公路加速车道汇入过程中,由于传统车辆驾驶人主动避让智能车辆的概率不高,而智能车辆又必须要在有限的加速车道剩余长度内实现汇入,所以智能车辆必须快速、准确地决策汇入过程。针对上述问题,本文将毫米波雷达和行车记录仪隐蔽安装于某高速汇入路段,在国庆节免费通行大流量情况下,连续追踪采集了大量的汇入数据。以随机筛选的619组有效数据进行分析,根据汇入过程是否有前、后车将汇入场景划分为4种类型。对4类汇入过程的持续时间、压线时间、剩余加速车道长度、车速、转向灯启闭等进行分析,获取了驾驶人的汇入行为表征参数。在此基础上,本文重点对后两类汇入场景建立随机森林模型,并将此模型应用于智能车辆的自主汇入决策过程。主要研究内容和结论如下:（1）有后车的后两类汇入场景汇入持续时间和压线时间均大于前两类汇入场景;对于加速车道剩余长度,第一类汇入场景驾驶人更倾向于在加速车道起点附近执行汇入,第三、四类汇入场景驾驶人执行汇入的位置更靠近加速车道终点;对于压线时间与平均车速的关系,第二类汇入场景中相关系数较小,其他三类汇入场景相关系数较大;对于转向灯开启率,第四类汇入场景最大,第一类汇入场景最小。（2）在第三类汇入场景中,自车与后车相对速度、相对距离、加速车道剩余长度三参数作为模型的输入,等待汇入和直接汇入两种汇入模式作为模型输出的组合整体决策效率达到88.89%,满足该模型使用要求;将上述直接汇入模式细分为安全和存在一定风险的直接汇入后,以等待汇入、安全的直接汇入和存在一定风险的直接汇入三种汇入模式作为输出的组合模型整体决策效率可以达到83.33%。（3）在第四类汇入场景中,自车与前后车相对速度、自车与前后车相对距离、加速车道剩余长度五参数作为模型的输入,等待和直接汇入两种模式作为输出的组合整体决策效率达到87.50%,满足该模型使用要求,最后在Matlab中进行了仿真验证。（4）第三、四类汇入场景中输入参数考虑剩余加速车道长度的组合决策效率均优于不考虑该参数的组合,且考虑该参数的组合在更短的时间窗口下决策效率达到最大;其次,考虑汇入决策是否安全比不考虑汇入决策是否安全所需要的时间窗口更长。