随着生活水平的不断提高,我国汽车保有量在不断增加,导致道路交通安全和燃油消耗问题日益严峻,而驾驶员的驾驶风格与道路交通安全和汽车燃油经济性有着密切关系。因此,本文基于驾驶模拟器采集驾驶员的操作信息和车辆状态信息,以多元特征参数作为评价驾驶风格属性的指标,构建具有良好识别能力的驾驶风格识别模型。本文主要完成了如下工作:(1)驾驶实验设计与数据采集。利用驾驶模拟器设计实验方案,招募20名驾驶员完成模拟驾驶任务,同步采集驾驶员的驾驶操作信息和车辆状态信息,进行特征化处理构建49个维度的特征参数数据集。运用调查问卷的方式对驾驶员的激进程度进行自我评分和专业人士评分,统计汇总激进程度分值,利用k均值聚类方式将驾驶员分为温和型、正常型和激进型,完成样本标记任务。(2)建立驾驶风格识别模型。使用支持向量机(Support Vector Ma chine,SVM)和反向传播(Back Propagation,BP)神经网络构建有监督驾驶风格识别模型,对比两模型对驾驶风格的识别能力。研究结果显示:SVM和BP神经网络模型的驾驶风格识别准确率分别为93.0348%和92.0398%。(3)优化驾驶风格识别模型。分析了解多元特征参数数据集自身的缺陷和对驾驶风格识别模型构建的影响,本文利用主成分分析(Principa l Component Analysis,PCA)对多元特征参数数据集进行特征提取,将前8个主成分作为驾驶风格识别模型的特征输入,并运用SVM模型检验其合理性。此外,通过改进有监督SVM模型实现半监督的功能,生成自训练SVM(Self Training SVM,STSVM)半监督模型与非直推半监督多标记学习算法(inductive Multi-Label Classification with Unlabe led data,iMLCU)模型,对比研究表明:iMLCU在三个模型之中表现出了最优异的驾驶风格识别能力,且标记样本越少,优势越明显,因此选取iMLCU为优化后的模型。