近年来我国城镇化建设发展迅速,国民车辆保有量与驾驶员数量大幅增加随之带来了层出不穷的交通安全问题。研究表明大部分交通安全问题的发生与驾驶员的驾驶行为有直接关系,不安全的异常驾驶行为可能引发交通事故,甚至造成经济损失和人员伤亡。如何有效的识别车辆异常驾驶行为、辅助驾驶员安全驾驶成为交通领域新兴的研究热点。得益于大数据技术的发展,车辆海量轨迹信息的采集已不是难事,轨迹信息中包含着丰富的驾驶行为特征与潜在规律。本文深入挖掘真实交通场景车辆轨迹信息的隐藏信息,考虑神经网络处理序列信息的优势构建多个网络模型用于识别异常驾驶行为,并在此基础上开发异常驾驶行为检测与检测系统。论文主要工作如下:（1）选取真实车辆轨迹信息数据作为本文数据来源,针对原始数据的质量问题进行异常处理、缺失填补、冗余清洗等预处理工作,筛选出高质量高精度的数据作为本文数据挖掘对象。在此基础上深入分析急加速、急减速、异常换道、蛇形驾驶四种异常驾驶行为的行为表现与数据特征,给出四种驾驶行为的判定标准,将其与正常驾驶数据共同作为数据分类样本。（2）依据每种驾驶行为的数据特征与潜在规律创建滑动时间窗口对经过预处理的数据进行划分,考虑不同驾驶员的认知分割出数据样本,构建异常驾驶行为数据集。（3）针对驾驶轨迹信息时间相关性的特性,本文搭建RNN、LTSM、Bi LSTM和融合注意力机制的CNN-Bi LSTM四种神经网络作为驾驶行为识别模型,使用相同数量的数据集对模型训练与验证,考虑识别率与损失值两个参数对识别结果进行分析与对比,选择效果最好的识别模型作为异常驾驶行为检测系统的主要算法模型。（4）为实现驾驶过程数据可视化目标,本文在完成识别模型设计的基础上,运用编程等技术构建一个包含客户端-服务器端-车端的异常驾驶行为识别与检测系统。选择一辆搭载了传感器的车辆进行实车实验,验证了系统的可靠性与有效性。综上所述,本文建立了异常驾驶行为识别网络模型,完成了从海量轨迹中提取异常驾驶行为的工作,并依托网络模型构建驾驶员异常驾驶行为检测系统,在辅助驾驶员安全驾驶与降低交通事故发生率等方面具有现实意义与应用场景。