随着大数据时代的来临,自动驾驶正在慢慢的走进大家的日常生活中。驾驶员作为交通的重要参与者,其行为影响着车辆的燃油经济性、驾驶安全和相关车辆辅助功能的实现。如何保证自动驾驶车辆的安全与舒适性是研究者们所面临的共性问题,既要保证车辆在遵守交通规则的前提下安全行驶,也要保证驾驶员在驾驶过程中的个性化体验。良好的个性化体验,可以提高驾驶舒适性,保障驾驶安全。而驾驶风格的相关研究可以在一定程度上反映出驾驶员的不同特质,以此提高驾驶员对各项驾驶功能的接受度,从而带来更好的个性化体验。在驾驶风格的研究中,目前的分析主要基于数据进行特征计算,之后利用基于规则的方法、神经网络或者深度学习等方法对驾驶风格进行分类。然而此类方法都忽略了驾驶风格的特点,由于驾驶风格是驾驶员的一种特质,所以不同的外界条件和不同的驾驶员自身条件都会引起驾驶风格的改变。驾驶风格强烈制约着油耗和安全性,是理解驾驶性能、保证高级驾驶辅助系统和自动化验收的关键。因此,考虑到驾驶风格多样性的特点,本文创新地提出了一种基于事件驱动的驾驶风格分类方法。驾驶事件可以更好的反映出不同驾驶员的差异,可以直观的看出驾驶过程中驾驶员的风格倾向性。本文的主要研究内容如下:（1）首先对驾驶员研究的相关信息进行了详细梳理。梳理了驾驶员行为、驾驶风格、驾驶技能、驾驶模式、驾驶事件之间的差别与联系。同时介绍了可用于驾驶行为研究的多种数据。为了更好的收集到更具个性化的驾驶数据,本文通过实车试验收集CAN数据用于后续分析研究。（2）开展基于事件的驾驶风格分类研究。分别从横向和纵向概要介绍了驾驶事件的类别和定义,根据定义进行了转弯事件和渐稳事件的提取。利用高维数据可视化算法和k-means聚类算法确定了风格中心,之后利用主成分分析通过比较第一主成分贡献率确定了事件中心,根据距离最近原则,确定了每位驾驶员的风格因子。然后,利用层次分析法和熵权法对横纵向风格因子综合赋权,得到不同驾驶员的整体风格倾向性。（3）基于驾驶风格因子的驾驶员识别。概要介绍了BP神经网络的定义和神经元模型的基本结构,并详细展示了利用公式推导网络训练的过程。比较了不同隐藏层神经元数目下的网络训练效果,确定了训练效果最好的神经元数目,基于此,构建神经网络。基于经验模态分解构建网络输入特征,利用前三个本征模函数计算特征,既可以排除噪声等的干扰也可以丰富特征样本。最后分别进行了考虑风格因子特征和不考虑风格因子特征的驾驶员识别实验,对网络的识别结果进行比较。结果表明,考虑驾驶风格因子的识别结果可达98%,效果较好。综合以上,本文所提出的基于事件的驾驶风格分类方法考虑到了驾驶风格多样性的特点,从而可以更准确可靠的对驾驶风格进行评估。同时,将研究得到的风格因子作为驾驶员识别的新维度特征,可以有效提高驾驶员识别的准确率。所以,在智能驾驶快速发展的时代,在提高驾驶个性化、安全化与舒适性方面,本文提出的方法具有良好的实用性。