交通事故已成为阻碍交通安全水平提升的重要障碍,公众对交通安全的关注程度日益提升。人的因素是导致交通事故的最主要因素,其中,驾驶人的危险感知能力对于保障道路交通安全、减少交通事故有重要意义。论文针对驾驶人的危险感知能力进行研究,探究影响危险感知能力的因素以及反映危险感知能力的指标,以便适时科学干预,提高交通安全水平。论文首先搭建了多种类型的危险驾驶场景的虚拟驾驶仿真平台,招募被试开展试验,试验过程中获取被试的驾驶行为与眼动数据。然后综合应用行为与眼动数据分析了不同群体驾驶人在危险场景下的表现差异,并借助眼动指标重点分析了双危险源场景与单危险源场景下、显性危险场景与隐性危险场景下的差异。研究结果表明,性别、驾驶经验以及危险类型均是影响危险感知能力的因素。女性驾驶人的平均速度和平均刹车深度显著低于男性,但她们对危险源的注视次数却低于男性;相比于新手驾驶人,经验驾驶人对危险源的注视次数较多,对危险的反应也更早,此外还发现经验驾驶人的水平搜索范围显著大于新手驾驶人,这种视觉搜索模式使得经验驾驶人更有安全优势。此外,驾驶人在单危险源场景中对危险的总体反应要慢于双危险源场景,对显性危险源的感知也比隐性危险源差,但在进一步的比较研究中发现,相比于单一危险源场景,驾驶人在双危险源场景中对显性危险的感知更好,但对隐性危险的感知较差,也就是说,在双危险源场景中,驾驶人对显性危险源的感知阻碍了他们在同一场景中对随后的隐性危险源的感知,即发生了后续搜索失误(SSMs)。对感兴趣区域的研究发现,尽管驾驶人群体间对交通标志的注视次数并无显著差异,但经验驾驶人对前方施工标志的注视次数多于新手,对注意行人标志的注视次数却少于新手。最后,应用TTC指标评判驾驶人在场景中的表现及危险感知能力,并对危险感知能力进行等级划分。建立基于模式识别方法的危险感知能力判别模型,即通过驾驶行为指标、眼动指标对驾驶人危险感知能力等级进行识别与预测。并通过比较判别模型的性能特征,遴选更好的驾驶人危险感知能力识别方法。结果表明,包含驾驶行为数据和眼动数据的二次判别模型具有更高的准确率和较低的误报率。