随着人们生活水平的提高,车辆的需求也随之增加,从而带来的交通安全问题日益突出,而驾驶员的驾驶情绪是影响交通安全问题的重要因素,其中以愤怒情绪最为明显。驾驶员在驾驶过程中产生的愤怒情绪,容易引发“路怒症”,对驾驶员和其他交通参与者的生命财产安全产生了巨大的影响。因此,为能够准确识别出驾驶员的愤怒情绪,降低道路交通安全隐患,本文进行了以下研究工作。搭建模拟驾驶环境,设计实验方案。在模拟驾驶仿真实验室搭建符合本实验预期的模拟驾驶环境,构建基于UC-win/Road仿真软件和罗技C310-720P外接摄像头多源数据采集系统,进行多源异构数据同步采集,进而建立车辆行驶数据集和面部表情数据集。基于车辆行驶数据集构建主成分分析（Principal Component Analysis,PCA）与改进人工神经网络（Artificial Neural Networks,ANN）组合识别模型。为克服传统ANN的缺点,本文在输入层和隐含层抛弃了原来的Sigmoid函数而采用指数线性单元（Exponential Linear Unit,ELU）函数作为网络的传输函数,提出PCA与改进ANN组合识别模型。该模型的识别正确率为94.67%,F1-Score为0.8552,损失值为0.0672。基于驾驶员面部表情数据集构建改进Le Net模型。针对Le Net网络模型结构相对较为简单,不能有效地提取驾驶员的面部表情特征的问题,本文引用连续卷积的思想,通过两次卷积和一次池化组成一个卷积池化单元对Le Net模型结构进行改进。该模型识别正确率为95.83%,F1-Score为0.8837,损失值为0.0745。基于车辆行驶数据特征和驾驶员面部表情特征构建集成学习特征融合-深度神经网络（Deep Neural Network,DNN）识别模型。本文利用集成学习中stacking方法的思想,将该思想运用于特征融合领域,进而提出一种多源异构数据特征级融合方法对车辆行驶数据特征和驾驶员面部表情特征进行融合,并将融合后的新特征输入到DNN模型。该模型识别正确率为98.17%,F1-Score为0.9471,损失值为0.0243。本研究建立的识别模型在一定程度上提高了驾驶员愤怒情绪的识别率,为降低愤怒情绪所带来的道路交通安全隐患问题进行了理论探索,并为个性化的汽车驾驶辅助安全系统提供了一定的理论依据。