外置左转车道（Outside Left-Turn,OLT）作为一种非常规设计能够有效保护、分离道路外侧左转交通流,特别是针对交叉口进口道上游有大规模左转需求的交通流汇入时,OLT交叉口能够基于其位于进口道右侧的左转车道和专门的左转相位,同时设置必要的指示引导标识,有效保护来不及变道至左侧常规左转车道的左转交通流。但由于部分交通参与者对非常规设计不熟悉、标志标线配套设施不合理等原因造成大量事故隐患。因此,对OLT交叉口进行冲突分析与预测有重要意义。本文以外置左转车道非常规设计为切入点,挖掘冲突与交通流时空特征、渠化设计的耦合关系,寻求安全水平与通行效率的提升。本文首先基于人工标注的实测数据,建立了涵盖4个交叉口共600分钟的高空图像数据集;采用基于深度学习的目标识别算法（YOLOv5）构建了交通多目标识别模型,利用高空图像数据集进行训练后模型预测精度达到98.689%,召回率达到95.616%;利用目标跟踪算法实现了交通流冲突的自动采集,并依据多源冲突数据研究冲突产生机理,从交通流特性出发分析了冲突时空特征。然后,本文通过选取拓展冲突指标和瞬时加速度（绝对值）为冲突评价标准,采用了高斯混合模型聚类算法对OLT交叉口冲突严重度进行了分级,并基于梯度提升树和随机森林的集成学习方法对冲突严重度影响因素进行了分析,形成了OLT交叉口冲突严重度评估指标体系,最终建立了基于朴素贝叶斯的冲突等级评估模型,平均精度达89%。基于视域指标进一步构建了OLT交叉口视域模型,并采用基于粒子群（PSO）改进的极限梯度提升算法（XGboost）,实现了OLT交叉口冲突事件的空间预测,预测冲突区域的总体拟合优度达到了87.9%;与其他18种主流预测算法进行性能比较分析,本文建立的PSO-XGboost冲突事件空间预测算法在平均绝对误差（MAE）、均方误差（MSE）等评价指标上均优于传统算法。最后,基于冲突事件严重度评估指标体系以及冲突时空分布特征,本文针对性提出了OLT交叉口改善方法并利用仿真软件TESS NG进行仿真。通过仿真软件中的交叉口建模与仿真,改善后的OLT交叉口安全隐患降低了23.5%;交通冲突水平由改善前的平均1.393s（严重冲突）提升到改善后的2.061s（一般冲突）,冲突严重程度降低了47.9%,OLT交叉口交通流运行状态和通行效率得到显著提升,交通安全水平得到较大改善。