近些年，人们逐渐意识到驾驶行为的重要性并对其展开了深入的研究。本文主要研究跟车环境中的驾驶行为。作为辅助驾驶的自动跟车，能够有效减轻驾驶员操作负担，并且可以避免追尾危险，对提高交通安全有着重要意义。目前常用的跟车模型主要是基于车辆运动学关系建立的。这类模型大多选用固定参数，参数之间多为线性或简单的非线性关系，总体上可以模拟驾驶员的跟车行为。但由于人在跟车过程中驾驶行为是复杂多变的，驾驶员即将做出的动作与车辆当时的状态之间是复杂的非线性关系，固定参数模型已不再适用。而神经网络、模糊推理等人工智能方法在驾驶员行为及建模方面具有一定优势。这类模型有很好的鲁棒性和容错性，可以更精确的描述驾驶员特性。正是由于上述原因，本文选用神经网络模型来模拟驾驶行为。首先验证单个神经网络可以实现不同状况下的自动跟车。然后将单个神经网络运用聚类算法进行集成。最后以安全性和舒适性为标准建立评价指标，选用模糊算法来比较单个神经网络和神经网络集成的跟车效果。经分析，神经网络集成方法取得了更好的跟车效果，具有一定的实用价值。　　论文的主要工作是:　　(1)自主搭建了一个驾驶行为研究仿真实验平台。本文选用半实物仿真工具Prescan和G27作为实验工具，它们可以很好的地模拟真实道路情况，既缩短了研究周期，降低了研发成本，也避免了在实车实验中发生危险。　　(2)验证了神经网络可以实现不同工况下的自动跟车。本文从仿真角度出发，将跟车仿真工况分为三种，一是前车速度、两车初始距离与采集时的一样;二是前车速度与采集时的一样，但两车初始距离有变化;三是前车速度、两车初始距离与采集时的都不一样。　　(3)提出了基于聚类算法的神经网络集成方法。本文将神经网络集成理论应用到跟车模型中，在集成算法中设计了一种新的聚类中心点的选取方法，并取得了很好的效果。　　(4)建立了基于模糊算法的跟车模型评价指标体系。本文首先设计了跟车模型中安全性和舒适性各自的评价指标，然后采用模糊算法对这两个评价指标进行处理，将结果作为最终评价指标。