为全面了解驾驶人意图识别研究进展,梳理了近30年关于驾驶人意图识别的研究,将驾驶人意图分类为策略意图、战术意图和操作意图;根据研究热点主要对换道、转向、制动和超车意图进行了归纳;从系统构建的角度对驾驶人意图识别系统的结构、输入、算法和评估进行了综述.根据系统输入的不同,从交通环境、车辆运动以及驾驶人行为对4种驾驶意图进行了综述;并根据构建模型采用算法的不同,从生成模型、判别模型、深度学习、认知模型、基于规则判定以及半监督学习模型6个方面对驾驶意图识别模型的研究进行了综述.结果表明:车辆动态信息在一般情况下不能作为预测驾驶人意图的输入信息,但可作为机动车辆已经开始后检测驾驶人早期意图的有效指标;交通环境和驾驶人行为信号对换道、制动和超车意图的预测非常有效,但是作为转向意图预测的输入并不可靠,车辆行驶轨迹更能反映驾驶人的转向意图;构建不同驾驶人意图识别模型应挑选合适的参数.现有采用机器学习包括深度学习方法构建的驾驶人意图识别模型,存在模型解释性差、对数据样本较为敏感、可扩展性差等局限性;规则判定模型无法适应多变的道路环境和驾驶风格.驾驶人意图识别模型应为自动驾驶技术的发展提供以人为中心的技术支持,能够实现监测驾驶人状态和对交通环境的态势感知,捕捉驾驶人的感知、认知特性,采用半监督学习方法提升模型鲁棒性、减少模型开发时间.在网联交通环境未形成之前,混行网联场景下的驾驶人意图识别模型尚待深入研究.