得益于人工智能理论的日益完善,无人驾驶汽车相关技术也得到了迅猛发展。无人驾驶汽车是集环境感知、行为决策、自适应控制和路径规划等多项功能于一身的综合系统。其中,行为决策模块如同无人驾驶汽车的大脑,为车辆提供操作指令,使其安全平稳地驾驶,这对实现无人驾驶来说十分重要。但是,由于现实交通环境的复杂性,无人驾驶行为决策模块目前还未达到可靠性和时效性等诸多要求,一旦该模块出现错误,将会给无人驾驶车辆造成不可估量的后果。故此,有必要对该模块进行深入探索和研究。无人驾驶行为决策模块通过对车辆周围环境信息的分析,做出相应的驾驶决策,本质上是一个分类问题。本文在深入研究该类问题的背景、意义和国内外研究现状后,发现支持向量机具有良好的鲁棒性、泛化性,能够有效地解决非线性分类问题。然而,传统的支持向量机分类效果受参数选取的影响,若参数选择的不够合理,会导致支持向量机分类性能下降。故本文采用蝙蝠算法进行优化,创建最优支持向量机模型。蝙蝠算法是一种随机全局优化的模型,能够利用群体优势,并综合全局和局部搜索,达到寻优效果。但随着寻优迭代的进行,种群的多样性会有所减少,易陷入局部最优,存在一定缺陷。故此,针对以上问题,本文提出基于改进支持向量机的无人驾驶行为决策算法,主要创新点包括以下三个方面:（1）支持向量机在处理非线性数据及异常点时会引入待定义的参数。不同的参数值会对模型产生较大的影响。为创建最优的支持向量机模型,本文提出改进的蝙蝠算法对其进行优化,返回最优解以提升模型准确率。（2）蝙蝠算法在寻优的过程中,所有蝙蝠个体始终向最优蝙蝠学习,导致多样性逐渐下降,容易陷入局部最优解。针对该问题,添加了莱维飞行增加蝙蝠个体位置的多样性且扩大搜索范围;另外,采取自适应频率的方式,进行调整蝙蝠个体位置更新公式,使蝙蝠的学习效率大幅度提升。（3）由于现实生活中的不同需求,存在功能、尺寸不同的车辆。而不同类型的车辆驾驶方式会有所差异。本文使用SVM模型进行定量分析并加以验证。通过模型的验证发现,大型汽车更倾向于稳定的驾驶环境,不会轻易换道,而小型汽车更倾向于较优的驾驶环境,具有更强的灵活性。最后,本文使用下一代仿真车辆轨迹数据集（Next Generation Simulation,NGSIM）进行验证本文算法的可行性,设计横纵向对比实验逐一对本文创新点进行验证。通过实验结果表明,本文算法生成的无人驾驶行为决策结果准确率最高。