近些年来,自动驾驶技术在不断发展,世界范围内的各大高校、研究机构、传统车企、互联网企业等不断加强研发力度。但是,真实交通环境下的自动驾驶技术仍然面临许多难题,而环境车辆的驾驶行为的识别是其中一个很重要的方面。本文基于自动驾驶车辆行为决策需求,对影响驾驶的环境车辆驾驶行为进行建模和识别。目前大多数文献中涉及的车辆驾驶行为识别大都基于本车驾驶员模型进行预测,由驾驶员的操纵数据以及车辆状态参数来分析驾驶员意图。由于目前或在有限的将来,辅助驾驶车辆和自动驾驶车辆、有人驾驶车辆可能长期在真实交通环境中混合行驶,而且由于车联网并未普及,车车之间还不可能全部有信息交互,所以本文以具备自动驾驶车辆为研究对象,并假设安装在本车的环境感知传感器能够检测和跟踪周围行驶车辆(实验室前期成果),在此基础上对周围其他车辆行为进行分析,并将识别结果用于本车的行为决策计算。本文针对城市环境中自动驾驶车辆周围车辆的驾驶行为进行分析,将影响自动驾驶车辆行驶的环境车辆分为两种情况,即其前方车辆和侧前方车辆,分别研究其横向和纵向的驾驶行为,又将侧前方车辆的场景分成四个场景进行细化研究,然后基于实验室的实车平台和以及Prescan和Simulink联合仿真平台,进行数据采集。然后针对自动驾驶车辆的前方车辆和侧前方车辆分别进行研究。对于自动驾驶车辆前方的目标车辆,本文通过采用卡尔曼滤波算法,对其行驶的状态进行最优估计。对于自动驾驶车辆侧前方的目标车辆,本文通过分析,对比选取影响目标车辆的行驶状态的特征因素其中包含其前侧和目标车道车辆的信息,并采用RBF神经网络和支持向量机的方法着重研究其横向的驾驶行为,通过归一化和不断的调整选取合适的参数,最终建立了目标车辆横向驾驶行为识别的学习模型。该模型有较高的识别准确率并且能够为自动驾驶车辆的决策问题提供信息,即将自动驾驶车辆前方车辆的驾驶行为,以及侧前方车辆的驾驶行为进行准确的识别,并将识别的结果发送给自动驾驶车辆的决策模块,避免因为环境车辆的驾驶状态的改变而对自动驾驶车辆的安全性造成威胁,从而提高自动驾驶车辆在城市环境中的环境理解能力和自主能力。并在实车验证了该模型的实时性和有效性。