近年来,随着船舶交通流量的日益增加,海上交通的监管工作面临严峻挑战,海上交通系统的安全问题也日益突出。所以,对管辖海域的交通风险进行实时的识别和程度评估已成为海上智能交通领域的研究热点,具有重要的现实意义。现有研究主要集中于单船舶的碰撞风险和航行异常检测,碰撞风险研究主要是碰撞危险度。然而,现有的研究有两个方面的不足,i)缺乏对系统层面的各类实时风险进行建模和计算,从而难以从整体把握交通态势；ii)缺乏概率意义的实时风险定量研究,而定量研究对于海事管理部门的管理工作具有一定的指导价值。针对当前研究的不足,本文的工作有如下几个方面：一、针对实时系统碰撞风险,利用信息融合和概率知识对实时船舶系统碰撞风险进行定量建模,同时提出了风险计算方法并设计了一种系统拓扑分层化简的算法,对风险计算进行简化。此外,设计了风险效用函数来衡量同一区域不同时间段或者不同区域同一时间段系统碰撞风险的变化程度,并设计了一种基于速度调节的碰撞风险控制策略,从而为降低系统碰撞风险提供了理论依据和控制方法。最后,通过大量仿真验证了所提建模方法能有效地量化系统碰撞风险,所提出的策略能够有效降低风险。二、针对实时系统航行异常风险,利用高斯混合模型(GMM)和主成分分析(PCA)对单船舶航行数据进行模态划分,并提出了一种基于置信区间的风险计算方法。然后结合GMM和PCA两者的结果进行异常识别。最后,通过大量实验说明了所提方法能够较好地建模船舶航行状态,量化船舶航行风险,识别航行异常数据。三、综合本文前面的研究,从宏观层面对两类系统风险和显性交通流的关系进行了研究。重新定义了宏观交通流的统计方法。使用神经网络进行模型的训练,得到两类系统风险和显性交通流的关系。大量实验结果验证了训练模型预测的风险和真实风险的一致性。