近年来随着交通安全领域研究的逐渐深入,交通事故数据及事故原因分析已成为重点分析对象,通过统计方法或交通冲突理论方法的交通安全研究体系较为完善。而相比较于事故数据,行驶轨迹数据体量大、实时性强,能弥补交通事故数据的延后评价问题。从轨迹数据可以识别出车辆异常驾驶行为,此类行为可能导致交通安全隐患。研究异常驾驶点位在路网中的分布情况,能对交通安全问题进行评估,尤其是针对安全性较差的交叉口位置,寻找引发交通隐患的原因,建立完善的交叉口安全评价方法。本文建立了一种改进的急减速驾驶行为识别方法,从大量行驶轨迹数据中识别了异常驾驶行为数据（急减速数据）。将异常数据点位进行地图匹配,通过核密度分析筛选异常驾驶行为热点位置。最后进行驾驶影响因素分析,评价交叉口交通安全特性并利用现有数据进行验证与问题改善,确定了一套完整的交叉口交通安全评价模型,可以更好地辅助交叉口综合评价研究。本文在评价城市交叉口交通安全领域具有一定意义,可以通过分析交通设计和交通设施的安全性,为城市交叉口设计改造提供支持。论文的主要内容可以分为以下三个部分:首先对行驶轨迹数据进行预处理,并用发生频次、数据体量和严重程度等指标分析最常见的三种异常驾驶行为数据,即急减速、急加速和急转弯行为数据,最终选取相对最能影响驾驶安全的急减速驾驶行为进行研究。针对常用的固定阈值筛选方法的问题,本文建立了一套包含多种场景和参数的改进急减速行为识别方法,利用实际数据进行验证,以此从行驶轨迹数据中筛选异常驾驶数据。其次利用筛选后的异常驾驶行为数据进行矢量地图位置匹配,分析路网各区域核密度等级情况,核密度等级分类为低密度、中密度、较高密度、高密度、极高密度,最后确定了异常驾驶热点区域,核心位置多发于重点交叉口附近,即确定高安全风险交叉口位置。最后研究交叉口交通风险因素,分析异常驾驶行为在交叉口区域发生的根本原因,即交叉口交通设计、秩序和环境造成的安全影响。梳理现有的统计分析和交通冲突方法存在的问题,使用异常驾驶行为数据作为补充,完整评价交叉口内外部交通安全状况。提出交叉口驾驶与冲突风险评分IDCS并聚类安全等级。最后列出交叉口安全影响因素并利用灰色关联分析确定关联度,使用SOM神经网络确定各类安全因素的权重,构建完整的交叉口安全等级评价模型,并利用轨迹数据核密度分类的交叉口等级进行验证。