智能驾驶系统不仅能有效降低驾驶员操纵负荷、提高乘坐舒适性,同时还能保障行车安全性和提升道路通行效率。目前,受技术发展和相关社会法律的约束,智能驾驶系统难以快速跨越至完全自动驾驶阶段,因此,在未来很长一段时间内,驾驶员与智能驾驶系统合作的人机共驾技术是智能车研究的重要内容。车辆换道是导致交通拥挤和交通事故的主要原因之一,现有的智能驾驶系统没有考虑驾驶员的驾驶风格和换道意图对换道策略的影响,从而会导致驾驶员换道操作失误,威胁车辆行驶安全。为此,本文通过分析驾驶员因素对换道策略的影响,进而开展人机共驾车辆换道策略研究,主要工作如下:（1）基于主成分分析的驾驶员驾驶风格分类研究。根据驾驶员行为特征分析驾驶风格,利用德国高速公路High D真实车辆数据集提取出15个反映驾驶风格的特征参数。通过主成分分析法对特征参数进行降维,以减少特征参数之间存在一定的信息冗余。采用K-means聚类算法将驾驶员驾驶风格分为保守型、稳定型以及激进型三类,利用轮廓系数对聚类效果进行评价,结果表明聚类效果较佳。（2）基于Attention-Bi LSTM模型的车辆换道意图识别方法。首先分析车辆换道行为特征,充分考虑车辆换道过程中的连续性和时序性特征,采用双向长短期记忆神经网络学习换道意图特征编码信息。同时,为了缩短特征参数序列信息传递的距离,提高网络捕捉重要状态信息能力,将模拟人脑推理行为的注意力机制引入双向长短期记忆神经网络中,实现对网络权重的自适应分配。其次利用车辆真实轨迹数据集对模型进行训练和评估。试验结果表明,所提出的Attention-Bi LSTM模型对车辆换道意图识别率高。（3）基于完全信息下非合作博弈论的人机共驾车辆换道策略研究。通过换道意图识别系统识别车辆驾驶意图,利用驾驶风格系数量化驾驶风格。同时考虑换道博弈安全收益和速度收益,建立换道博弈驾驶收益函数,并将驾驶风格权重系数引入其中。分析博弈矩阵收益,求解非合作博弈下的纳什均衡。最后,搭建模拟驾驶平台,驾驶人机共驾车辆在高速场景中进行换道,采集驾驶数据,分析车辆运动博弈和车辆速度博弈,验证了同时考虑驾驶风格和换道意图的人机共驾车辆换道策略的有效性。