近年来,随着社会经济发展,国内汽车保有量也在大幅度增加,随之而来的还有日益增加的交通事故的发生,研究如何预防交通事故的发生,具有十分重要的意义。据统计,由于驾驶员导致的事故数量占九成以上,有越来越多的学者对驾驶行为进行深入的研究,但国内研究仍需进步。行车数据可以直观反映驾驶行为,基于此,通过数据处理算法来对行车数据进行分析以识别出危险驾驶行为,主要内容如下:以小轿车为研究对象,对“三急一超”危险驾驶行为进行了说明,并且根据不同危险驾驶行为的不同特征,提出了不同种危险驾驶行为的判定条件。在不同道路条件下,超速行为的判定应设有不同的阈值,根据不同范围车速的限值,急加速也相应的有不同的限制以判定急变速驾驶行为,同时,急转向驾驶行为的判定根据不同道路状况也应有不同的横向加速度阈值作为判定依据。由于研究需要大量的数据做支撑,论文选择NGSIM数据作为基础数据进行研究。根据研究需要对数据进行清理、单位转换、标准化等预处理工作。对驾驶行为进行初始聚类。分析了一种常用的聚类算法k-means聚类的原理及特点,发现改进后的算法k-means++聚类算法能够消除k-means算法的缺点,得到理想的聚类结果,所以将k-means++算法作为聚类方法。得到三种类型驾驶行为:危险型、安全型和隐患型,“三急一超”则属于危险型驾驶行为。用KNN、SVM、决策树与随机森林算法分别与k-means++聚类算法做联合分类,并分别对四种分类算法原理进行了说明,通过混淆矩阵方法计算分类准确度指标表示各个方法的分类准确性,综合对比三个准确度指标,结果表明SVM与k-means++联合分类的准确率最高,每一类别的分类准确率能达到近似为1,最终确定此种方法作为驾驶行为分析中的分类方法。根据分类结果,建立BP神经网络识别模型,实现对模型输入行车数据,模型输出驾驶行为类别号。说明BP神经网络构成及算法原理,根据需求设置神经网络各参数,搭建模型并训练神经网络,识别“三急一超”危险驾驶行为及三种驾驶行为类型。到此完成驾驶行为分析模型,用实测行车数据对此模型进行验证,总结模型结果得出实测数据中各类危险驾驶行为出现的次数。