当驾驶员处于复杂的驾驶场景时,其脑电信号与普通环境下的脑电信号具有一定的差异性。交通场景中复杂的交通环境因素通常会使驾驶员产生一定的脑负荷,进而引起驾驶员的生理应激反应,增加交通事故的发生概率。因此,研究交通场景的复杂程度、分析交通环境因素与脑电特征之间的关系,对驾驶安全具有十分重要的意义。为了解决驾驶安全研究中,复杂交通因素、复杂交通场景的辨识和预警缺乏理论依据的问题。本文基于复杂的交通因素影响下的驾驶员脑电特征,建立了基于驾驶员脑电数据的交通因素复杂度辨识模型和交通复杂因素的复杂度量化模型。首先,本论文基于现有关于复杂度的研究定义了交通环境复杂度,分类了影响复杂度的交通环境因素,并介绍了基于驾驶员脑电信号的交通复杂度影响因素的研究方法。基于该研究方法的原理,本文选取行人过街、前方车辆减速和旁边车辆换道三种动态交通因素,对他们开展了模拟仿真驾驶实验,为交通环境复杂度与驾驶员脑电特征相关性的研究奠定了数据基础。其次,本论文基于实验采集的驾驶员脑电信号,分别以3s和5s的时间窗提取了事件刺激段与正常驾驶段的脑电信号用于脑电指标的分析。对提取出的脑电数据段,本文运用数理统计方法筛选得到了最优时间窗和最优脑电指标,并对具有显著性的脑电指标的特征进行了分析。同时,以最优脑电指标集为基础,本文运用二元logistic回归分析方法,分别对三种动态交通因素建立了交通复杂度影响因素的辨识模型,并确定了模型的最优阈值。最后,本论文以两种难度不同的交通因素的对比实验为基础,确定了不同的交通因素的复杂度量化方法。论文分析选取了脑电顶区α波功率谱密度的预测值与真值之间的差值作为定量比较交通因素复杂度的指标,并基于该指标客观、定量的对比了行人过街、车辆变速、车辆变道三种交通复杂因素的复杂度。同时,论文对不同的交通因素,提出了一种基于辨识模型阈值及交通因素复杂度的驾驶风险预警机制。