近年来，随着我国高速公路的快速发展，道路总里程数不断增加，居民出行更加便利，货物运输更加快捷。但随之而来的交通事故发生率也呈逐年递增的趋势，我国已成为全球交通事故发生次数最多的国家。因此，人们也越来越关注和重视高速公路的行车安全。　　高速公路入口合流区域的交通量较大，道路复杂。加速车道上车辆的并线行为常常会引起主干线交通流的紊乱，造成行车速度降低，行车延误变长，引发交通事故，所以对高速公路合流区域的研究具有重大的意义。目前国内研究的重点集中于匝道控制、通行能力和安全理论等方面，而对于加速车道上车辆并线换道行为建模的研究还比较少。　　论文针对高速公路入口合流区域并线换道事故频繁发生，借助数据挖掘理论中的两种机器学习算法BP神经网络和决策树先后建立了车辆在该区域的并线换道决策模型，来预测驾驶人的并线行为，保障车辆的安全并线。　　论文在详细分析驾驶人在合流区域内并线行为影响因素的基础上，找出5个主要的车辆行驶参数作为决策模型的输入变量;并先后建立了基于BP神经网络和决策树的合流区域并线换道模型，通过WEKA仿真实验平台对所建立的模型进行了数值仿真。仿真结果表明:经过训练后的模型对并线换道行为的预测都有较高的准确度，并线车辆相对于目标车道前方车辆的相对速度是驾驶人并线时需要考虑的最重要的因素。　　论文所建立的模型还可以应用于交通微观仿真的研究，具有较高的科研价值;随着模型精度的不断提升，也可以进一步应用于驾驶人辅助系统的开发。驾驶人辅助系统能让驾驶人在处于高速公路入口合流区域并线换道时得到相应的指示信息，避免发生车辆并线换道时驾驶人未能察觉后方车辆的危险状况，帮助驾驶人作出并线换道决策，达到保障车辆与驾驶人安全的目的，具有较高的工程应用性价值。