汽车等机动车驾驶员是人-车-路-环境构成的复杂交通系统中相对薄弱的部分。驾驶员在驾驶过程中包括感知、理解、预判、决策、执行等过程,难免存在注意力不集中状态,造成驾驶风险。因此,针对驾驶分心的状态识别研究刻不容缓。本文主要工作包括:（1）国内外研究现状梳理及评述。根据系统性综述和元分析首选报告准则（PRISMA）,将驾驶分心作为关键词,分别从10个电子数据库中搜索与驾驶分心、分心指标影响、识别方法与模型相关文献,经文献质量评估后筛选出288篇文献,并对文献中数据采集、识别指标和状态识别方法等三个方面进行了叙述性的综合分析。（2）驾驶分心模拟试验方案设计。基于Silab建模软件搭建乡村道路-城市道路-高速公路三段复杂度不同的对照驾驶场景,使用驾驶模拟器进行颜色宫格标志牌识别的视觉分心和数字计算的认知分心模拟试验,并使用D-LAB软件对模拟试验下全过程驾驶绩效和眼动数据进行采集。通过单因素方差分析和显著性检验对试验分心次任务设计的合理性进行验证。（3）驾驶分心特征指标数据处理及多情景分心影响分析。对试验同步采集的驾驶绩效、眼动等多维指标数据进行数据集低频点对齐、场景节点及分心时段标记等数据预处理。对预处理后的数据进行方差齐性检验和多重比较,使用沃勒-邓肯标记法对变量间的显著性差异进行标记,以此对不同模拟试验场景下的不同分心类型的指标特性表现进行分析。（4）基于信号时频特征的Stacking集成驾驶分心识别模型构建及验证。通过对驾驶分心特征指标的分心影响分析,优选出最终识别指标,对各识别指标的时序信号进行小波时频分析,并提取出峰峰值、方根幅值、脉冲因子、裕度因子等信号时域特征及重心频率、频率均方根等频域特征,并对提取出的时频特征进行相关性分析,对特征进行筛选,将筛选后的信号时频特征作为识别模型的输入;然后使用极端梯度提升模型、随机森林模型、梯度提升决策树模型、逻辑回归模型构建Stacking集成识别模型;最后,将提取出的多维融合指标时间序列特征作为输入对K最近邻识别模型、BP神经网络识别模型、朴素贝叶斯识别模型、支持向量机模型和本文构建的Stacking集成识别模型进行验证评估。结果表明:分心时车辆的横向控制能力减小,且视觉分心的影响较认知分心更大,一定程度上增强了车辆的纵向控制能力;分心驾驶的眼动注视点较正常驾驶的注视范围更加集中,且视觉分心时注视范围较认知分心注视范围集中;构建的基于Stacking策略的多模型融合驾驶分心识别模型准确率、召回率、精准度、F1分数等评价指标较对比模型均有提升,其成果可进一步用于驾驶辅助系统和自动驾驶人机共驾阶段的接管研究。