车道保持辅助系统对于提高车辆横向稳定性、减轻驾驶员负担至关重要,但采用固定参数的车道保持辅助系统难以适用于有驾驶习惯差异的不同驾驶员,且因换道意图判据单一而不能在驾驶员主动换道时及时关闭。针对以上问题,本文提出了从行为习惯与驾驶意图两方面自适应驾驶员特性的车道保持辅助控制系统。以驾驶员车道保持行为分析为研究基础设计车道偏离决策模型,综合驾驶员操作行为与车辆运动参数识别换道意图,为系统决策提供支持,采用强化学习理论建立车道偏离干预式车道保持主控制器,通过驾驶模拟器硬件在环实验,验证了辅助控制效果。具体研究内容如下:第一,通过VI-grade搭建驾驶仿真场景,利用驾驶模拟系统采集驾驶数据。在对数据预处理基础上,分析选取能体现驾驶员对车道偏离风险认知的参数,根据驾驶员在车道保持过程中的横向偏移量,建立安全行驶区域,根据驾驶员在转向回正点处的跨道时间和车辆动力学极限,确定最晚预警时机,建立了基于安全行驶区域与最晚预警时机的车道偏离决策模型。第二,为避免控制决策与驾驶员意图冲突,建立了基于长短时记忆神经网络（Long Short-term Memory,LSTM）的驾驶员意图识别模块。在分析驾驶员换道过程中的特征变量的基础上,选择其中能普遍反映驾驶员换道规律的变量作为LSTM网络的输入。根据筛选出的换道和车道保持工况提取数据序列,作为训练集对神经网络进行训练,并通过测试集验证,结果表明,本算法比传统的SVM的意图识别算法准确率提高了4%。为了进一步验证算法在实际换道过程中的效果,选取了右换道工况和连续换道工况验证了算法连续识别的性能,并分析了误判产生的原因。第三,设计了基于深度确定性策略梯度算法（Deep Deterministic Policy Gradient,DDPG）的车道保持控制器。选取能反应车辆偏离状态的车辆横向位置偏差和航向角偏差,生成智能体的状态空间,以前轮转角作为智能体输出控制车辆的横向运动。设计了兼顾安全性和舒适性的奖励函数,根据车辆动力学极限和偏离状态设置训练终止条件,让智能体在训练环境中进行20000回合的学习。在直道、弯道和双移线工况下对DDPG智能体的车道保持能力进行验证。与模型预测控制进行比较,结果表明DDPG智能体在完成车道保持任务的同时有更好的横向稳定性。最后,对上述模块进行集成,建立了一种偏离干预式车道保持辅助系统,通过驾驶模拟平台,借助VI-grade的虚拟场景和动力学模块,基于Matlab/Simulink建立系统模型,通过驾驶员不在环场景模拟无意识车道偏离验证主控制器能否正常介入干预和退出,并进行驾驶员在环仿真实验,重点验证了车道保持控制器能否及时在航向偏离时对车辆进行控制。结果表明,系统由于车道偏离决策模型和驾驶员意图识别模块的作用,很少对驾驶员的行为产生误判和干扰,并能在驾驶员无意识的车道偏离及时接管车辆的控制。本文研究的基于驾驶员特性的车道保持辅助系统具有一定的实用价值,对汽车自适应驾驶员行为习惯有一定的参考意义。