随着多传感器信息采集、现代控制理论、机器学习算法、人工智能技术的日趋成熟,极大的推动了自动驾驶汽车的发展,提高车辆自动驾驶能力与行驶安全性已逐渐成为车辆工程领域的研究热点。开展复杂场景下周围车辆驾驶意图与碰撞风险的研究,对全面提升智能车辆的“仿人化”特性具有重要意义。结合重庆市自然科学基金项目“人机共驾型智能汽车险态驾驶行为多维态势感知与预警机理研究”（cstc2018jcy AX0422）部分研究内容,利用NGSIM数据集,对影响智能汽车安全、高效行驶的因素进行分析,深度挖掘动态环境中车辆之间交互驾驶行为特性,对周围车辆驾驶意图辨识、行驶轨迹预测、碰撞风险评估进行研究,主要研究内容如下:（1）基于SVM的周围交通车驾驶意图识别研究。运用开源交通流数据集NGSIM,对车辆历史行驶数据信息进行提取与预处理,挖掘车辆驾驶行为规律,将目标车与交通车加速度差值、速度差值以及相对距离作为影响驾驶行为的特征量,运用支持向量机（Support Vector Machine,SVM）算法建立以概率作为结果输出的驾驶意图识别模型,将左换道、直线行驶以及右换道三种驾驶行为的识别结果与实际行驶数据进行对比,平均识别准确率可以达到92.3%。（2）考虑驾驶意图的周围交通车轨迹预测模型研究。针对复杂场景中预测轨迹准确度不高的问题,挖掘车辆行驶轨迹的影响因素,结合NGSIM数据集,提取出周围交通车行驶轨迹信息,并考虑周围交通车驾驶意图的变化,利用长短时记忆（Long Short-term Memory,LSTM）网络建立车辆轨迹预测模型,引入混合密度神经网络（Mixture Density Networks,MDN）,将预测轨迹以概率坐标的形式表达。仿真结果表明,预测模型能有效的实现周围车辆未来行驶轨迹预测,具有较高的精度。（3）基于预测轨迹的智能车辆碰撞风险评估研究。以预测轨迹中车辆位置坐标信息为基础,建立行车几何碰撞模型,引入蒙特卡洛算法估计车辆的碰撞概率,计算出每组换道车辆的碰撞概率,构建碰撞风险系数集,利用径向基函数（Radial Basis Function,RBF）神经网络对所构建的碰撞风险系数进行训练与预测,最后搭建典型的危险驾驶场景对碰撞风险算法进行仿真验证,结果表明,所提出碰撞概率算法可以有效估计与预测高速道路中车辆受到的行车风险,能够实现车辆对当前以及未来一段时间内的碰撞风险感知。