交通安全问题一直是不可忽视的民生焦点,而分心驾驶对驾驶人信息处理能力影响极大,严重威胁着交通安全。本课题主要针对分心驾驶行为开展研究,以期对汽车安全预警系统的发展提供一定的帮助,主要研究内容如下:首先,分析了认知分心驾驶的研究背景及意义。并从分心特征的监测技术、分心驾驶的识别技术、分心驾驶的干预技术三个方面,总结了当前研究的不足之处。在此基础上明确了本文的研究内容与研究路线。其次,通过多阶段多层次抽样法对300名驾驶人进行问卷调查,得到了引发驾驶人认知分心的四种危险性较高的典型驾驶行为,以及不同预警方式的接受度排序。为后文驾驶次任务的设计和对预警机制的设置提供了依据。再次,依据问卷调查结果,设计了四种引发认知分心的驾驶次任务,以此达到实验中引发驾驶人认知分心的目的。在使用UC-win/Road仿真软件、驾驶模拟器搭建的城市道路模拟驾驶环境中,开展了无分心驾驶和执行四种次任务的模拟驾驶实验,采集了对应的车辆运行信息和人因数据,建立了认知分心数据库。然后,对原始数据完成了跟驰片段的划分和数据预处理,以及特征指标的计算。通过描述性分析,获得了影响分心驾驶的危险性的3个特征指标,分别是纵向车速的标准差,方向盘转角标准差,驾驶人制动反应时间。在此基础上,使用层次分析法和模糊综合评价建立了分心驾驶预警分级模型。将5组数据按照预警等级,从弱到强划分了3个等级。并通过对人因数据指标实现了对分级效果的验证。最后,基于遗传算法对35个车辆运行信息特征指标进行了特征选择,得到了8个分类效果较好、代表性较高的特征指标。使用选取的特征组成的时间序列数据,建立了基于LSTM的认知分心识别及预警模型,这有效避免了神经网络在特征选择上的消极作用,实现了对不同危险程度的认知分心实时识别及预警。另外,建立了SVM识别模型,经过对比分析两个模型的准确率、F1-Score、召回率,证明了该LSTM模型明显优于所建立的SVM模型。并引入预警机制,搭建了不同预警等级的分心预警系统架构。