换道行为作为车辆驾驶的基本操作行为之一,车辆在执行过程中会对道路交通安全产生直接影响,因而近年来有关换道研究也逐渐成为交通和车辆领域内的热点。为了减少危险换道行为的发生,提前识别出换道行为的潜在风险尤为重要。本文基于换道执行机理的分析以及交通冲突特性的分析,提出了一种换道风险综合评估方法,该方法集成了换道行为识别模型和换道风险评估模型。针对换道行为风险评估的有效探索,这对于保障道路的行车安全、优化道路的通行效率存在重要意义。本文基于遗传算法优化的BP神经网络建立换道行为识别模型,根据对车辆换道机理以及换道过程速度分布的分析确定模型的输入特征,并以车道保持和车辆换道作为模型的输出,通过遗传算法优化后的模型综合识别准确率可达98.31%。以车辆换道冲突特性为主要依据,明确车辆冲突形态以及指标,在此基础上基于故障树分析方法确定综合风险指数量化安全换道的失效概率,并利用K-means聚类算法根据客观的自然驾驶数据确定风险等级的最佳分布情况,依此形成换道风险评估模型。本文主要研究内容及结果如下:1)基于GABP神经网络的换道识别模型。首先通过分析换道各阶段特征和换道过程速度分布,确定换道行为表征参数并利用时空耦合的方法确定最佳识别窗口。然后对样本参数进行归一化处理以提高模型收敛速度,对比不同隐藏层节点模型的训练结果,确定识别准确率为94.85%的最优网络模型结构。最后,基于遗传算法实现对BP神经网络模型的权值和阈值的优化,优化后的GABP模型识别准确率提升至98.31%。2)基于时空融合的换道风险评估模型。首先对风险换道车辆的冲突特性进行深入分析,针对换道冲突的不同形态探究冲突的发生机理,并确定冲突的度量指标（TTC、SDI）以及冲突的发生条件。在此基础上选择了基于TTC的风险严重程度以及基于SDI的风险暴露水平作为换道风险的评价指标,为了进一步提高模型的有效性,通过故障树分析方法确定综合风险指数对安全换道失效概率进行量化,最后基于K-means聚类算法将自然换道数据划分为三个风险等级。