随着我国道路交通事业的快速发展,汽车保有量逐步增加的同时,交通事故数量也居高不下。在人—车—路闭环系统中,驾驶人担负着环境感知、决策以及车辆操纵等复杂任务,驾驶人因素是引起事故的主要因素,驾驶人的感知错误、决策失误或操作不当极易引起交通事故的发生。因此,对交通环境的充分观察和感知是决策发生和正确操纵的前提,也是可避免事故发生的重要方式。驾驶人通过视觉感知可获取80～90%的外界信息,准确的视觉感知是闭环系统稳定运行的关键。驾驶人视觉特性的研究得益于眼球追踪技术获取的驾驶人眼动数据,眼动数据可反应驾驶过程中的眼动行为变化,其中,注视、扫视和平滑追踪是主要获取信息的眼动行为。因此,本文以眼动数据为主线,设计实验获取驾驶人眼动数据后通过对眼动行为的分类实现了对驾驶人注视特性和平滑追踪特性的研究。具体研究如下:（1）针对眼动相关的科学研究提出一套完整的眼动数据分析框架,适用于任何与眼动数据相关的研究,具体包括原始眼动数据的质量分析、眼动数据预处理、眼动数据分类以及眼动数据的后处理。在预处理前对原始眼动数据进行质量分析,剔除无效数据并针对数据频率不规整的问题提出一种频率校正方法,校正后有利于数据的分析。（2）考虑到眼动数据的获取依赖于硬件设备,收集到的眼动数据常伴随着数据缺失及噪声等问题。针对以上问题,分析了一般眼动数据预处理方法的弊端,在缺失值填充环境,考虑到线性插值法填充数据的失真性,提出通过构造傅里叶级数方程进行数据填充;在滤波降噪环节,考虑到传统移动平均降噪方法在降噪后数据产生过多尖峰,降噪后的数据不够平滑且无法去除采集过程中掺杂的白噪声等问题,提出一种融合滤波的方法,同时考虑了当前滤波数据点前时刻的数据和后时刻的数据,在初始的改进卷积滤波方式后应用小波降噪,这一步骤可以去除采集过程中引入的高斯噪声、白噪声,达到更好的降噪效果。（3）为实现眼动数据分类,基于注视、扫视和平滑追踪的运动特性、集散特性对其进行特性分析,构造了用于眼动数据分类的新特征,特征的构造考虑到眼动行为的运动特性（运动幅度、运动范围）以及运动趋势（运动方向性）,特征集可有效刻画出各眼动行为的差异,有利于眼动数据的分类。将特征输入至机器学习中决策树算法进行分类,考虑到决策树是一种预测模型,训练后的模型会产生过拟合的结果,为提高模型的泛化能力,本文基于树的深度及剪枝后准确率变化提出一种后剪枝方法,对用于进行眼动数据分类的决策树模型进行优化,优化后的方法考虑了决策树的深度影响,对于深层的决策树泛化能力的提高效果更加明显,本文应用该方法后在不损失模型准确率的前提下,提高了对三种眼动行为的分类效果的泛化能力,使模型更加简单高效,经模型分类后注视、扫视和平滑追踪的准确率分别为94.3%、98.2%、71.2%,效果较其他算法有所提高,有利于眼动特性的研究。（4）采取驾驶模拟器和实车实验的方式记录驾驶人的眼动数据,利用上述方法对通过实验获取的驾驶人眼动数据进行分类,对分类后的眼动数据提取注视、扫视及平滑追踪指标。基于注视点数据对驾驶人预瞄特性进行研究,分析了影响预瞄距离的两大因素—速度和道路曲率半径,将预瞄距离进行变换使其近似符合正态分布后采用回归分析方式建立了驾驶人预瞄距离模型,有利于驾驶人预瞄模型的开发;基于平滑追踪点数据对驾驶人认知中潜在碰撞时间预测进行研究,设计两种常见交叉口碰撞场景,对驾驶人经过交叉口时的眼动模式进行研究,得出“扫视—注视—平滑追踪—追赶性扫视—平滑追踪”的眼动行为转换模式,然后利用驾驶人视角及平滑追踪速度对潜在碰撞时间进行估计,将其与实际车辆到达时间进行误差分析,结果表明,利用平滑追踪行为预测碰撞时间具有一定可行性。