作为智能驾驶和智能交通系统发展道路上的重要一环,驾驶行为辨识受到了广泛地关注和研究。通过研究安全行车场景下的驾驶行为可以实时了解车辆的行车状,从而可以有效的提高行车安全;研究事故场景下驾驶行为的合理性,可以减少纠纷进而加快事故处理。在安全行车场景下,准确估计车辆的跟车行为和变道行为结束时刻有利于及早对车辆发出警告,保障行车安全。同时基于事故数据改善行车驾驶安全的研究日益兴起,研究事故场景下驾驶行为的合理性,可以减少纠纷进而提高事故处理和行车效率。针对以上问题,本文设计了基于生存分析方法估计驾驶行为生存时间的模型;使用深度学习算法门控循环单元(Gated Recurrent Unit,GRU)网络设计了预测车辆意图和轨迹的算法模型;基于隐马尔科夫模型(Hidden Markov Model,HMM),提出了追尾事故下驾驶行为评价策略,进行合理的责任认定。本文的主要研究内容包括:(1)设计了基于生存分析模型的驾驶行为生存时间估计方法。安全行车场景下,使用自然驾驶数据集NGSIM数据集中的车辆轨迹信息,对跟车和变道两种基本的驾驶行为进行分析。引入生存分析模型估计跟车和变道行为生存时间的生存率,进而确定行为结束时间,增强行车安全性。(2)设计了基于GRU算法的车辆意图检测和轨迹预测模型。安全行车场景下,根据自然驾驶数据集NGSIM数据集中的车辆轨迹信息,分析车辆动态特征,提取车辆的显著特征,例如横向速度和横向加速度,使用深度学习方法门控循环单元构建融合驾驶意图的车辆轨迹预测模型,进而对驾驶行为做出更为准确的预测和分类。(3)提出了追尾事故场景下驾驶行为评价策略。事故场景下,构建基于多边缘计算的追尾事故取证系统,使用100-Car数据集对驾驶行为做初步分析,得到追尾事故场景下的驾驶行为特征,将其归结为车辆的轨迹特征,使用隐马尔可夫模型解码可能的安全驾驶行为参数,结合追尾事故场景下的驾驶行为特点,制定合理的责任分配机制,以期减少纠纷从而加快事故处理和行车效率。