近年来关于跟驰行为的研究日益丰富,其中大多研究主要以仿真实验方法探讨影响跟驰行为的因素等。然而,基于车辆轨迹数据的跟驰行为动态特性分析及考虑多因素影响下的建模研究略显不足。鉴于此,本研究基于遴选的车辆轨迹数据,提出跟驰数据筛选与降噪方法,并从统计特征与相关性等方面挖掘跟驰行为的复杂动态特性。根据数据分析结果以及当前研究存在的不足,提出了反映不同交通特性或驾驶人特性的跟驰模型。最后,通过实测数据验证、模型稳定性分析、仿真实验等讨论了构建模型的有效性与可靠性。本文取得的主要成果总结如下:（1）基于改进优化速度函数提出考虑车头间距与前车速度影响的跟驰模型。针对传统优化速度函数存在的不足,提出考虑车头间距和前车速度边界条件的新函数;然后,基于数据分析结果及提出的新函数,且同时考虑延迟时间和加速度差效应,构建考虑车头间距与前车速度影响的跟驰模型,使用有效跟驰数据标定模型参数,并验证了提出模型与实测数据及对照模型之间的差异。结果表明构建的跟驰模型能够更好的复现跟驰行为,提升车辆的燃油经济性与排放效果。（2）基于实测数据建立考虑跟驰临界车头间距阈值约束影响的跟驰模型。针对传统优化速度函数定义的跟驰临界车头间距阈值与实际数据不符的问题,提出动态可变的跟驰临界阈值约束函数;然后,基于最优速度准则将跟驰临界阈值约束函数纳入跟驰模型,以交叉口车辆启停和紧急事件制动作为仿真场景验证提出模型的有效性。结果表明通过向跟驰模型中引入动态可变的跟驰临界阈值约束函数,可显著提升车辆的机动性与安全水平,同时还可改善车辆的燃油消耗与尾气排放。（3）基于跟驰速度约束准则构建考虑驾驶人碰撞敏感性的跟驰模型。针对驾驶人在不同危险交通环境中的敏感性存在差异这一事实,基于车辆碰撞临界时间和不同跟驰状态之间的关系提出驾驶人碰撞敏感系数,该系数可表达车辆加速、匀速或减速下的碰撞敏感性;随后,基于数据分析结果,构建了考虑驾驶人碰撞敏感性和前车速度的跟驰模型,根据稳定性理论求解了模型的线性稳定解析解,并以交叉口车辆启停和环道扰动干涉行驶作为仿真场景验证模型有效性。结果表明随着驾驶人碰撞敏感性的增加,模型的稳定性得到提升,车辆时走时停现象得到抑制,同时车辆跟驰行驶时的安全水平得到改善。（4）基于数据驱动模型与传统跟驰模型提出混合驱动跟驰模型。为确定最佳跟驰瞬时速度预测模型,选取四种数据驱动方法进行对比分析,根据跟驰数据的特性设计了模型训练和验证方案,讨论了不同跟驰时长下各个模型的预测效果,确定了以长短期记忆神经网络模型作为预测跟驰变量的子模型。进而,以全速差模型作为主模型,并使用长短期记忆神经网络模型预测主模型的输入变量,构建了混合驱动跟驰模型,从而使其既可以考虑驾驶人记忆影响,同时能够考虑车辆信息互通效应;此外,以仿真实验和实测数据验证了模型的稳定性和预测效果,并评估了模型的安全水平。结果表明提出的混合驱动跟驰模型不仅可降低仿真车队的速度和车头间距波动,而且还能够提升模型的预测性能,同时车辆的安全水平也得到一定程度提升。综上所述,本文取得的成果可为深入挖掘影响跟驰行为的因素提供参考,且可为研究车辆跟驰行为及建模仿真提供必要的理论依据和分析方法。