近年来,随着汽车数量的不断增加,道路拥挤变得日益严重,随之而来的道路交通事故也在不断地困扰着交通管理者。为减少道路拥堵和人为因素造成的交通事故,世界各国将目光转移到了无人驾驶汽车领域。目前针对无人驾驶的关键技术研究已取得一定的成果,但在该领域依旧面临众多的问题,其中紧急工况下的无人驾驶汽车行为决策是急需解决的关键技术之一。基于深度学习理论的决策方法,因其所需大量行车数据训练模型,很难真正应用于无人驾驶汽车的决策系统。为了使无人驾驶汽车适应动态、复杂的交通环境,本文利用有限状态机原理提出了基于势场力的分层状态机决策方法,通过搭建行车场景和联合仿真模型,验证该方法在紧急行车工况下的可行性和正确性。本文主要研究内容包括:（1）紧急工况下的驾驶行为分析。通过对驾驶工况进行分析和归类,定义本文的紧急工况场景。结合美国道路交通事故统计数据,总结出三种较为典型的紧急工况（紧急制动、车辆变道和车辆静止）。分析紧急工况下的驾驶行为决策的影响因素并建立无人驾驶汽车在紧急工况下的决策流程框架。（2）基于势能场理论的虚拟力建模。基于势能场理论,参考物理学中的物体受力特点,定义车辆行驶过程中的横纵向虚拟势场力表达形式。针对车辆纵向行驶过程中状态转换阈值动态变化难以确定的问题,通过分析车辆纵向行驶的运动学,建立纵向分级安全势场力模型。针对车辆横向状态改变难以识别的问题,运用BP神经网络,以影响车辆变道的7个关键参数作为神经网络的输入,建立基于BP神经网络的车辆横向变道意图识别模型。（3）基于虚拟势场力的状态机决策方法研究。利用有限状态机基本原理建立了车辆状态机决策模型,以车辆之间的跟驰和紧急制动状态的虚拟势场力阈值和车辆速度作为车辆状态机不同状态转移的条件,制定不同驾驶状态之间的转换规则,并在Simulink/Stateflow中建立车辆分层决策状态机模型。通过设置正常工况下的车辆行驶场景,验证分层决策状态机的正确性。（4）紧急工况下的决策模型验证。针对本文提出的紧急工况场景,在Carsim中建立仿真场景,在Simulink中建立决策模型和车辆控制模型,利用Carsim中与Simulink联合仿真接口进行联合仿真。完成了前车紧急制动、前车变道和前车静止的仿真实验,验证本文提出的决策方法的正确性。