随着经济的不断发展,我国汽车和驾驶员的数量都不断攀升,道路交通安全愈发受到公众和学者的关注。车辆在行驶过程中与其他道路交通使用者产生冲突,形成危险场景。识别危险场景意义重大,对于经验不足的驾驶人而言,识别危险场景并提前预警,可以避免不必要的事故;对于科技应用领域而言,危险场景识别可以作为驾驶辅助系统的理论基础,进而更加科学地减少交通事故的发生。本文对不同危险场景驾驶员的心电和脑电信号进行差异性分析并分别建立了基于支持向量机和随机森林的危险场景识别模型。首先对危险场景的产生机理及影响因素进行分析,并介绍了危险场景的评估方法,然后选取了本文要研究的驾驶员的生理指标。生理信号能够表征驾驶员的心理和精神状态,不同的危险场景会对驾驶员产生不同的压力与负荷。采用实车实验采集驾驶员在不同危险场景下的心电和脑电信号。基于实车视频对5种不同危险场景进行提取和统计,得到对应的生理数据。使用Ergo LAB对心电数据进行预处理得到心率数据;利用EEGLAB插件导出脑电数据,对脑电数据进行预处理。然后对驾驶员心电信号进行心率增长率和心率变异性(时域和频域)分析;通过小波变换对驾驶员脑电信号进一步去除噪声,对脑电信号中的?波、?波、?波功率谱密度和?/?值进行提取,分析了不同危险场景下的各种波形及指标的差异性。最后通过多源信息融合的方法构建基于支持向量机和随机森林的危险场景识别模型。对融合后的指标矩阵进行主成分分析,保留了累计贡献率≥90%的7个特征值。分别构建了一对多分类器的支持向量机模型和随机森林分类模型。支持向量机模型使用Libsvm利用粒子群算法进行参数寻优,得到最优参数后进行模型训练和分类预测,模型的分类准确率可以达到82.01%。并与融合前的单数据源(心电或脑电特征)的分类准确率进行对比。随机森林识别模型的分类准确率可以达到90.65%,模型具有良好的有效性和适用性。