随着国内外汽车产业的发展和人民生活水平的提高,我国正逐步成为汽车大国。汽车产业在推动经济社会发展,改善人们生活的同时也带来了不容忽视的交通安全问题,而驾驶员的危险驾驶行为正是影响安全驾驶的关键因素之一。本文针对现有危险驾驶行为识别研究过程中对噪声、异常数据较敏感和驾驶安全性评估难以量化这两个问题,提出了一种驾驶行为研究方法。该方法以车载OBD设备实时采集的车辆运行数据为基础,结合机器学习相关算法,构建危险驾驶行为识别模型和驾驶安全性评估模型,最终建立了完整的驾驶安全性评估方案。本文主要内容如下:（1）数据采集及预处理。首先论述行车数据采集设备的工作原理,其次说明采集平台的数据流向,接着对模型数据集的样本属性进行解释,最后通过卡尔曼滤波算法对原始行车数据进行数据预处理。（2）构建危险驾驶行为识别模型。基于集成学习的不平衡数据分类算法（RS-SVM）构建急加速、急减速、急转弯三种危险驾驶行为识别模型。利用交叉验证对RS-SVM算法进行参数调优,从而提高危险驾驶行为识别的准确率。最后将实验结果与其他算法进行对比分析。（3）构建驾驶安全性评估模型。以加速、减速、转弯、侧翻模型为基础建立驾驶安全性评估指标,通过主成分分析法确定指标权重并求得不同驾驶员的驾驶得分,利用Kmeans算法对驾驶员的驾驶风格进行聚类分析,最终实现对驾驶员驾驶水平的综合评估。（4）设计与实现车队管理云平台。利用Java SSM框架设计并实现基于Web的车队管理云平台,平台集成车辆管理、驾驶员管理、安全管理、个人中心四个功能模块。实验结果表明危险驾驶行为识别模型的准确率达到98.596%。驾驶安全性评估模型的建立有利于降低交通事故的发生率,提高车队管理效率,同时还可以为规范驾驶员驾驶行为提供理论依据。