在过去的几十年里,汽车智能驾驶技术取得了显著的进步。国内外专家学者以及相关机构研究开发了许多智能驾驶的系统,赋予现代车辆多项功能,使其更加聪慧和安全。而智能驾驶系统的开发和验证是相辅相成的,在其正式使用前都需要经过重重测试,需要对其诸多性能给出定量评价。目前针对智能驾驶系统测试与评价的研究都存在着测试场景单一,测试方法多数采用国际通用标准测试方法,与我国实际道路情况不完全相符等问题。本文基于中国道路采集的自然驾驶数据,通过数据驱动聚类分析构建中国典型虚拟测试场景,并利用马尔科夫蒙特卡洛模拟的数据归纳学习法建立测试场景中前车随机预测模型,从安全性、舒适性和经济性三方面构建智能驾驶系统评价模型,最后基于层次分析与模糊综合评价相结合的方法对智能驾驶系统进行综合评价。本文主要研究内容分为如下几个方面:(1)构建基于自然驾驶数据驱动的汽车智能驾驶系统综合测试场景。采集了中国道路交通环境下汽车的自然驾驶数据,筛选出自然驾驶数据中危险工况数据片段,基于此提取出汽车智能驾驶系统综合测试的场景特征要素,并利用聚类分析法得到三类典型虚拟测试场景,从而为汽车智能驾驶系统虚拟测试的构建了场景基础,解决了国内尚无本土化汽车智能驾驶系统综合测试场景的问题。(2)建立虚拟测试场景中基于马尔科夫蒙特卡洛模拟法的前车随机运动预测模型。采用马尔可夫链理论表征前车人类驾驶员驾驶车辆的随机运动的特性,将聚类得到各场景下的自车数据作为前车历史工况数据,归纳学习得出马氏链转移概率,并通过蒙特卡洛模拟预测未来时刻的状态,基于此得到测试场景中前车随机运动模型,通过对比原始工况数据验证模型的有效性,有效解决了由于采集设备精度低导致前车数据不准,在虚拟环境测试中不能准确表征人类驾驶员驾驶车辆随机运动的问题。(3)提出基于层次分析法的汽车智能驾驶系统模糊综合评价方法。基于PreScan仿真平台进行多工况虚拟测试,以汽车的安全性、舒适性和经济性为指标构建了多层评价模型,将虚拟测试数据作为设置评价模型隶属度集和模糊规则的参考,计算安全性、舒适性和经济性各指标得分和综合得分,验证所提出的智能驾驶系统模糊综合评价方法的可行性。