驾驶员是道路交通安全的主导者,90%交通事故发生的原因均与人的因素有关。其中,驾驶员疲劳造成的交通事故给社会带来了严重的生命财产损失。各国研究者针对驾驶疲劳和驾驶风险开展了大量的研究,研究表明在疲劳状态下驾驶员的驾驶表现会下降,但目前还未对驾驶疲劳造成的驾驶风险进行量化评估,且以往针对驾驶风险的研究忽视了对驾驶员状态和周围环境的考虑。因此,本文设计了驾驶员不同疲劳状态下驾驶风险等级评估实验方案,基于模拟驾驶平台搭建典型驾驶场景,建立不同驾驶场景下的驾驶风险量化指标体系,为划分驾驶风险等级提供了一种研究思路。31名受试者参与了驾驶员不同疲劳等级下驾驶风险评估实验,采集了其基于斯坦福睡意量表（SSS）的驾驶疲劳主观问卷数据和驾驶行为数据。对不同疲劳等级下的驾驶风险指标进行了显著性差异分析,结果表明,随着驾驶疲劳的加深,驾驶员多个驾驶行为指标呈现上升的变化趋势,且在不同驾驶疲劳等级下存在显著性差异,表明驾驶疲劳对驾驶员的车辆纵向及横向运动控制能力有影响。为了对驾驶风险等级进行评估,首先基于因子分析法对多维度驾驶风险指标特征参数进行降维,得到驾驶风险因子,然后采用K-means聚类分析对驾驶风险因子进行聚类,将驾驶风险分成了低风险、中风险、高风险三类,并根据最终聚类中心对三类数据进行命名。将驾驶疲劳等级与驾驶风险等级进行映射,结果表明,随着疲劳的加深,驾驶员发生低风险的概率降低,发生中风险及高风险的概率上升,且驾驶疲劳与驾驶风险等级之间有较强的相关性。最后,使用深度神经网络（DNN）对经过K-means聚类后有驾驶风险等级标签的驾驶行为数据进行训练和测试,结果表明,在直线场景、绕行场景、行人场景中DNN模型对测试集的识别准确率分别为95.93%、92.31%和96.49%。设计验证实验,采集2名被试在安全和危险驾驶操作下的驾驶行为数据,由人工对其驾驶风险等级进行标定,并通过DNN模型对驾驶风险等级进行识别,结果表明,基于DNN模型的驾驶风险等级识别与人工评定的驾驶风险等级有较高的一致性,并且能更加精确地区分中风险和高风险。