自动驾驶技术的发展在人工智能与智慧交通的建设背景下突飞猛进,各级别辅助驾驶系统已经遍布在更新换代的家用车中,危险驾驶行为的主动识别作为辅助驾驶系统的核心内容,覆盖全天候全场景的危险驾驶行为精准识别技术仍是需要突破的难关。因此,针对多种复杂路况下车载主动危险驾驶行为识别方法的技术创新及突破具有很大的研究意义。本文提出基于定位与视觉技术融合的危险驾驶行为识别方法,并采集大量数据验证模型的可行性与可靠性。首先,针对现有卫星定位设备精度不高、无法满足车道级定位的需求等问题,运用RTK差分定位技术实现厘米级定位效果,并二次开发加入视频拍摄模块,实现所需多源数据的采集。其次,针对超速、违法占道、频繁变道三种危险驾驶行为进行特性分析,对比并改进Yolo-v5s目标检测网络得到车道线检测精度为94.07%的训练模型,运用轨迹数据与图像处理数据,作为加入时序性特征的朴素贝叶斯和D-S证据理论结合的数据融合算法的输入值,得到超速、违法占道、频繁变道三种危险驾驶行为检测率达95.7%的识别结果。然后,对疲劳驾驶现有检测方法存在不足进行简单总结,运用定位与视觉技术,提出基于车辆行驶轨迹纵向位移相关指标SLDF（Slope of longitudinal displacement fluctuation,纵向位移波动斜率）及基于多种人脸相关识别算法（人脸检测MTCNN、身份识别Face Net、人脸关键点检测PFLD）得到的面部疲劳特征（眼部EAR、嘴部MAR、头部pitch）作为数据融合输入值,输入经量子粒子群算法优化后的SVM数据融合算法,得到86.8%识别准确率的疲劳驾驶识别模型。最后针对干扰定位、视频设备稳定工作的复杂场景及正常路况,选取四名驾驶员和三种路段进行实车实验,采集200分钟可用驾驶数据,分别针对定位设备工作不稳定的山体围绕、隧道、树木遮挡场景下及视频设备受影响的强光照、夜晚、头部姿态偏移等场景下进行了超速、违法占道、频繁变道、疲劳驾驶四种危险驾驶行为检测效果的综合验证及分析,该系统危险驾驶行为识别准确率达91%,且满足车载端检测的实时性需求。