为深入探究自动驾驶车辆事故中各因素之间的交互作用对事故严重程度的影响，提出考虑因素交互作用的可解释机器学习与树形增强朴素(TAN)贝叶斯网络混合模型，基于汇总后的加利福尼亚州2014～2023年自动驾驶车辆事故报告公开数据，确定了13个影响因素为自变量，并将因变量(事故严重程度)划分为无伤害、轻微和中重度事故3类；分别采用极端梯度提升、随机森林、K最近邻、支持向量机4种机器学习算法，建立了自动驾驶车辆事故严重程度分类预测模型，选择性能最优的分类预测模型作为基础模型，结合基础模型与沙普利加和解释(SHAP)算法，筛选关键因素并建立TAN贝叶斯网络，以提取9组交互因素对，并结合SHAP算法分析了单因素和交互效果显著的3组交互因素对。研究结果表明：碰撞对象的碰撞部位、车辆驾驶模式和主车碰撞前的运动状态分别对无伤害、轻微和中重度事故严重程度有重要影响；2020年后自动驾驶车辆尾部被碰撞时，无伤害事故中SHAP交互值均为正值，中重度事故中SHAP交互值均为负值；在自动驾驶车辆碰撞部位为正面与碰撞对象的碰撞部位为尾部两因素交互情况下，中重度事故中SHAP交互值仅有16.7%为正，在自动驾驶车辆碰撞部位为正面且碰撞对象碰撞部位也为正面两因素交互情况下，轻微事故中89.1%的SHAP交互值为正。可见，自动驾驶车辆能够及时改变运行轨迹，避免车辆正面碰撞，从而降低车辆碰撞的严重程度。