城市平面交叉口作为车流交汇区域,不同方向车流交替行驶,车辆密度大,加减速行为频繁,常成为事故多发点。交通冲突技术作为一种替代安全分析方法（Surrogate Safety）,以数据获取快、评价周期短等优势受到众多研究人员的青睐。但通过人工方法提取交通冲突速度较慢,且相关研究在冲突风险区域鉴别、事故频率估计方法等方面仍存在一定局限性。鉴于此,本研究首先通过无人机航拍的方式获取交通视频,建立城市平面交叉口高空视频数据集;针对航拍车辆尺度与角度多变的特征,训练YOLOv5-Deep SORT模型提取视频车辆运行轨迹。其次,运用单应变换方法实现了车辆位置由视频像素坐标向空间坐标的转换,采用SG滤波算法（Savitzky-Golay）平滑车辆轨迹。在此基础上,通过帧间差分法计算交通参数,结合车辆时空轨迹与冲突角度,实现交通冲突类型判别与TTC（Time to Collision）、MTTC（Modified Time to Collision）的自动检测。再次,为实现城市交叉口的事故频次估计,引入极值统计原理,分别建立基于交通冲突数据的城市交叉口一元POT（Peaks Over Threshold）模型与二元POT模型,根据图解法选择模型阈值,通过PP图（Probability Plot）和QQ图（Quantile-Quantile Plot）检验模型拟合效果,根据西安市三个信号交叉口的冲突和历史碰撞事故数据,验证模型在实际应用中的有效性。最后,为实现城市交叉口冲突风险可视化分析,绘制交叉口冲突空间分布热力图。研究结果表明:（1）YOLOv5-Deep SORT算法对无人机拍摄的城市交叉口车辆检测与跟踪效果较好,YOLOv5检测算法的平均精度均值为81.5%,检测速度可达33FPS;Deep SORT算法的跟踪准确率在所选3个场景中均达到90%以上,平均准确率为95.0%。（2）SG滤波算法能有效去除抖动,同时避免过度平滑造成的信息缺失;交通冲突自动检测算法可实现交通冲突的自动判别与提取,其中,TTC检测算法对冲突的判别成功率为76.6%,MTTC检测算法对冲突的判别成功率为83.9%。（3）模型验证结果表明,一元POT模型与二元POT模型对交叉口事故频次的估计结果均接近于真实年均事故次数,但略微偏高;一元POT模型中,基于MTTC数据的模型估计效果更优;二元POT模型的估计效果优于任意一元POT模型。（4）交叉口冲突热力分布鉴别结果表明,交叉口内冲突点的分布具有不平衡性;在各种冲突类型中,追尾冲突最为常见;交叉冲突主要分布在交叉口中心区域;换道冲突集中分布在进出口区域,主要由左转车辆产生。