在L3级自动驾驶车辆中,驾驶员不需要对车辆进行长时间的监控。在自动驾驶阶段,驾驶员会参与各种非驾驶相关次任务,这些次任务会影响驾驶员的认知水平,而过高的次任务认知负荷水平往往会导致驾驶员的接管能力下降和接管质量变差,给行车带来极大的安全隐患。因此,有必要深入研究非驾驶相关次任务认知负荷与驾驶员驾驶接管绩效之间的关系,根据驾驶员接管前的认知负荷,准确预测驾驶员的驾驶接管绩效,以提高驾驶员接管车辆的安全水平。本文基于驾驶模拟器设计城市快速路接管场景,利用N-back与数学题相结合的方法设计认知次任务,开展了不同认知次任务下的驾驶接管实验,确定驾驶员接管绩效指标,采集驾驶员脑电数据与接管绩效指标数据,同步脑电仪和驾驶模拟器的时间,并对数据进行筛选和预处理;然后利用脑波指标和eSense指标两个客观负荷指标以及NASA-TLX量表评分这一主观负荷指标,分析不同认知次任务下驾驶员主客观负荷指标的显著性关系和变化规律,选择具有显著差异的主客观负荷指标,利用K-means聚类算法,对驾驶员的认知负荷进行了量化分级。进一步分析车辆动态指标和驾驶接管绩效指标的变化规律,揭示认知负荷对驾驶接管绩效的影响机理。在分析接管时间指标和接管质量指标变化规律的基础上,根据接管绩效指标累积频率曲线设定接管绩效类别阈值,确定数据样本的类别标签,同时以脑波指标和eSense指标作为输入特征,基于随机森林算法,利用网格搜索和十折交叉验证选取随机森林的最佳参数,建立接管绩效预测模型,在此基础上,考虑基于随机森林的接管绩效预测模型在3s、5s、7s、9s四种不同时间窗下的预测性能,并利用支持向量机、k-最近邻、朴素贝叶斯、线性分析和逻辑回归对接管绩效预测模型的有效性进行了验证。本文构建的驾驶接管绩效预测模型可有效预测驾驶员驾驶接管绩效,对于改善自动驾驶行车安全具有重大意义,同时可为驾驶员与自动驾驶车辆之间的交互系统设计提供理论依据。