交通安全一直以来都是世界各国所关心的一个焦点问题。据统计,绝大部分交通事故的发生与驾驶员自身有着直接或间接的关系,因此,对驾驶员的研究一直以来都是交通安全领域研究的重中之重。本文主要对驾驶员的精神负荷状态识别以及驾驶员综合驾驶能力评估方面开展了相关的研究。关于驾驶员精神负荷状态识别,目前,大多数研究都是基于传统的机器学习算法开展的,然而,使用传统机器学习算法需要繁琐且耗时的特征工程,特征选取的好坏能够直接影响到算法的效果。关于驾驶员能力评估,目前大部分的研究仅针对单一指标进行定性分析,未能形成一个驾驶综合能力量化评估模型。为此,本文进行了如下研究工作。首先,本文进行了驾驶模拟实验的设计以及驾驶模拟软硬件平台的搭建,通过招募驾驶志愿者开展了相应的实验,采集到了驾驶员在不同精神负荷状态下的心电数据（Electrocardiogram,ECG）和车辆操作数据。其次,本文提出了一种基于深度学习算法的驾驶员精神负荷状态识别模型。该识别模型共分为三步实现。第一步,从ECG中提取了心跳间隔数据,并将正常的心跳间隔数据按大小范围划分了28个区间;第二步,为每一个心跳间隔构建一个列向量,列向量中从上到下每一个元素分别对应从小到大排列的每一个区间,判断每一个心跳间隔所属的区间,所属区间对应列向量的元素为1,其余元素为0;第三步,按照时间顺序,通过列向量拼接将连续的28个心跳间隔拼接成一个28×28的0-1矩阵并将其转化为二维图片,基于卷积神经网络（Convolution Neural Network,CNN）实现对驾驶员精神负荷状态的识别。与传统辨识模型相比,该模型避免了复杂的特征工程并具有更优的辨识效果。最后,本文在考虑驾驶员负荷状态对驾驶能力的影响的基础上,采用综合赋权法实现驾驶员综合驾驶能力量化评估。首先,挑选了能够反映驾驶能力的六个指标,然后分别基于层次分析法和熵权法得到驾驶能力评估模型各指标的主观权重和客观权重,其中客观权重分为正常精神负荷下客观权重与高精神负荷下的客观权重,最后使用博弈论的思想平衡主客观权重,实现了驾驶员横纵向综合驾驶能力的量化评估,并对模型的可靠性进行了验证。