现代社会的汽车数量日益增加,驾驶员一旦出现不良驾驶行为,将严重影响道路交通安全。在当前智能网联汽车的技术背景下,对驾驶行为甚至驾驶风格进行有效监测,对提升道路行车安全性具有重要意义。当前研究人员以经验性选取的驾驶操作特征与传统机器学习方法对驾驶风格进行离线辨识,存在着评测维度的局限性和不完整性。因此,本课题以驾驶操作和驾驶模式为基础,分析不同驾驶风格下驾驶员的驾驶操作与行为特征,并探索驾驶风格的深度学习辨识方法与驾驶模式的辨识方法。为探究不同驾驶风格下,驾驶员驾驶操作与模式的特点,本课题以驾驶风格类型为因子,对驾驶操作数据特征与驾驶模式时长与频次特性进行统计分析,并通过显著性分析揭示显著性差异点。对驾驶操作特征的分析结果表明:直行模式下,不同驾驶风格的驾驶员仅在纵向操作上存在显著性差异,且车速保持在不同的层级;换道模式下,不同驾驶风格的驾驶员在横向操作上存在显著性差异,且左换道相对右换道更为保守。对驾驶模式特性的分析结果表明:自由直行是驾驶员日常行驶的主要模式,且驾驶员更偏好于受限换道而不是自由换道。此外,驾驶危险度越高的驾驶员越倾向于迫近前车进行近距离跟驰,但出于行车安全或者驾驶意图的考虑,驾驶员会进行紧急制动或者受限换道。针对高速工况下驾驶风格的辨识问题,本课题结合驾驶员瞬时驾驶行为与长时驾驶效应构建驾驶操作图,表征驾驶员驾驶风格。此外,采用深度学习方法中的卷积神经网络、长短期记忆网络、预训练长短期记忆网络对驾驶风格进行辨识,并与支持向量机方法进行对比。辨识结果显示,本课题提出的驾驶风格辨识方法体系可以实现对不同驾驶风格的有效辨识,其中卷积神经网络效果最佳,在测试集上的辨识精度可以达到98.5%。针对驾驶模式的辨识问题,本课题以驾驶操作层数据为基础,采用同步多时窗方法进行特征扩展,丰富模式特点表达,并采用显著性分析与多种特征筛选算法结合的方式对高维特征进行降维,利用隐马尔可夫模型进行时序数据辨识以确定模式类别。在测试集上的辨识结果表明,基于显著性分析与序列前向选择算法所筛选的特征能更好的表达驾驶模式特点,隐马尔可夫模型的辨识精度可达82.3%。