近年来随着社会经济的进步以及人们对于高质量生活的追求,我国的车辆保有率大幅增加,这给道路安全管理带来了新的挑战。如何加强交通安全管理、从驾驶人的行为机理出发,预防事故的发生,成为了近年来交通问题研究的重点。本文以自然驾驶数据为基础,采用规则定义的方法,识别驾驶人在驾车过程中的不良驾驶行为,并以识别结果为基础,采用多模型集成的机器学习方法,实现驾驶风格分类以及驾驶行为安全的个性化评价,以期为解决道路安全问题提供有效的数据分析方法。本文的主要内容如下:（1）研究基于规则的风险驾驶行为识别方法。首先,对自然驾驶数据进行预处理,根据危险驾驶行为的定义,提取并量化了风险行为,然后用相对单位替代绝对单位,将驾驶行为特征的参数指标进行标准化,实现驾驶特征的综合重构,最终得到所有车辆的驾驶行为相对特征参数。（2）研究基于集成学习的驾驶风格的分类模型。为改善传统模型在驾驶风格分类上的不稳定和准确率不足等问题,本文将聚类问题转化为分类问题,利用多模型融合的理论实现驾驶风格分类与预测。首先,采用基于模糊C均值（Fuzzy C-means,FCM）与谱聚类（Spectral Clustering,SC）的集成聚类方法对驾驶行为特征数据进行聚类,将数据样本划分为标签样本和未分类样本。基于预分类结果,研究了一种基于分类回归树（Classification and Regression Tree,CART）、支持向量机（Support Vector Machine,SVM）以及最近邻（K-Nearest Neighbor,KNN）的多数投票集成学习分类方法MV-ESKC,利用多种弱学习器进行学习,采用多数投票的集成策略构建驾驶风格分类模型。（3）构建驾驶行为安全性评分模型。将驾驶员的驾驶行为划分为多个得分单元,利用层次分析法（Analytic Hierarchy Process,AHP）和熵权法（Entropy Weight,EW）分别对各个得分单元赋予权值,然后利用最小二乘法（Ordinary Least Squares,OLS）将AHP和EW的权值进行融合,每个得分单元被得分函数映射为0-100分的连续区间,最后根据得分单元的权值和得分单元具体得分的加权计算得到驾驶员的驾驶操作得分。通过以上对自然驾驶数据的探索和分析之后,本文形成了一种车联网数据的系统分析框架,并且通过实验对比和分析,验证了所用方法的有效性和先进性。