随着我国经济的高速发展,汽车保有量不断增加,交通事故率和死亡人数逐年上升,道路交通安全已成为我国亟待解决的社会难题,严重威胁着人们的生命安全。在道路交通事故中,头部受伤是致死致残的主要原因,创伤性脑损伤作为颅脑损伤的主要形式,受到了广泛关注。然而,准确评估和预测交通事故中创伤性脑损伤是非常困难的,这给损伤评估、医疗救治以及头部防护等带来了的阻碍。针对传统脑损伤评价准则存在的局限,本文从碰撞试验数据出发,结合深度学习、信号分析、相关性分析、颅脑损伤仿真等相关领域知识,研究了道路交通事故中创伤性脑损伤评估方法,建立了脑损伤预测模型,并实现了定量预测。本文在文献阅读的基础上,主要开展并完成了以下三方面工作:（1）交通事故创伤性脑损伤生物力学度量与评价准则研究。头部运动与脑损伤的相关性分析容易受到对头部质心运动曲线关键特征提取的影响,难以综合考虑运动学参数的影响,如转动、平动和冲击持续时间等。针对数据量较少的情况下,脑损伤评价准则受人为因素影响,构建过程依赖于专家经验的问题,将碰撞试验假人头部质心运动数据作为颅脑有限元模型的输入进行了仿真分析,并基于颅脑损伤机理研究,采用多种度量方式（应变、应力、颅压等）对创伤性脑损伤进行计算。在此基础上分析了头部质心运动学参数与脑损伤生物力学指标之间的相关程度,筛选一些相关性较强的参数,并基于优化算法计算权重因子,分别建立了弥漫性脑损伤评价指标和局灶性脑损伤评价指标。分析结果表明,头部质心线加速度和角速度与创伤性脑损伤有很好的相关性,所建的脑损伤评价指标能够有效地评估创伤性脑损伤。（2）基于卷积神经网络的交通事故创伤性脑损伤预测方法研究。交通事故中的脑损伤过程是一个持续的状态,脑损伤评价准则无法全面考虑头部运动在时间维度上的影响,受脑组织耐受限度的影响,碰撞过程中的脑组织损伤时间段也无法统一确定。针对脑损伤评价准则难以用准确的数学关系表达头部运动与脑损伤的关联,无法对脑损伤进行定量预测的问题,基于卷积神经网络研究了面向头部运动响应的创伤性脑损伤预测算法,设计脑损伤预测的卷积神经网络结构,并分别在弥漫性脑损伤和局灶性脑损伤的生物力学指标上进行训练和验证,实现了对交通事故中创伤性脑损伤的定量预测。研究结果表明基于卷积神经网络的时间序列建模方法能较好实现脑损伤预测。（3）基于时间序列增强的交通事故创伤性脑损伤预测方法研究。为了进一步提高卷积神经网络建模精度,基于变分模态分解基本原理,推导已知中心频率的变分模态分解,在此基础上提出时序数据在线增强策略,发展了时间序列分解与神经网络同步优化方法。基于此设计针对脑损伤的多通道的卷积神经网络结构,并分别在弥漫性脑损伤和局灶性脑损伤的生物力学指标上进行训练和验证。研究结果表明,基于时间序列增强的卷积神经网络方法能够有效地提高道路交通事故脑损伤预测精度。