近年来,交通拥堵、安全、环境污染等问题给社会造成了巨大损失,受到广泛关注。智能网联汽车（Connected and Automated Vehicle,CAV）因其行为能够被设计和控制而被认为是解决交通问题的有效手段。智能网联汽车的出现导致了混合交通流问题,人工驾驶车辆（Human-driving Vehicle,HV）因其决策和控制的不确定性而可能会对混合交通环境中CAV的决策和控制产生影响,从而影响交通安全和交通稳定性。本文旨在探究考虑驾驶行为异质性的协同换道决策控制策略。人工驾驶车辆行为的不确定性和难以预测性加剧了混合交通流中CAV车辆的决策困难。为了更好地理解换道场景中涉及的人工驾驶车辆的驾驶行为（主要是跟驰行为）,本研究提出了一种分类建模方法来探究人工驾驶车辆的跟驰行为异质性。首先基于NGSIM数据集,对跟驰片段进行筛选并基于引导车-跟驰车辆组合类型进行分类。基于分类数据,通过主成分分析、聚类分析、分布拟合等数据挖掘技术对全速度差模型（Full Velocity Difference,FVD）,刺激-反应模型（Gazis-Herman-Rothery,GHR）和智能驾驶员模型（Intelligent Driver Model,IDM）这几个典型跟驰模型进行参数标定,以识别驾驶风格并找到分类跟驰模型参数的最佳概率分布。仿真实验和可移植性检验证明了所提出分类模型的有效性和合理性。为优化CAV的换道策略,提出了一种基于强化学习（Reinforcement Learning,RL）的混合交通流协同换道决策控制（Cooperative Lane-changing in Mixed Traffic,CLCMT）机制。建立了一个反馈模块,使决策层和运动控制层之间能够交互,在运动控制层预先计算控制策略的潜在效用并在反馈模块中进行评估,为决策层提供指导。仿真结果表明,在相同的初始交通状态下,CAV渗透率的增加会带来更安全、更舒适、更环保的换道行为。初始交通状态的不同也是影响决策的重要因素。该结果证明了所提出的CLCMT机制在CAV的横纵向决策和运动控制方面具有优势。优化仿真场景,在其中考虑周围人工驾驶车辆的跟驰行为异质性,例如获取车型信息,识别激进的司机,和/或各种驾驶风格司机的比例,能够为CAV的决策控制提供更多有价值的信息,避免其做出过于大胆或保守的决策和控制策略,从而实现在更真实的混合交通流仿真环境中找到最优换道策略。