随着城市居民收入的大幅度提高以及随私家车需求的变化,汽车保有量大幅度增长,给固有的交通环境带来了压力。其中对私家车的需求与人们通常选定的出行模式高度吻合,私家车渐渐成为城市交通出行的主体。然而私家车驾驶员的驾驶行为特征通常呈现出多样化、个性化以及主观化等,从而衍生出危险的驾驶行为习惯,成为引发多数交通事故发生的主要因素。因而为了构建和谐的城市交通驾驶环境,对私家车驾驶员的驾驶行为进行分析和评估具有重大的研究价值和意义。本文基于私家车轨迹数据,结合车载诊断系统,利用深度学习神经网络方法对轨迹数据中能反映驾驶员驾驶行为的数据进行挖掘和识别,提出基于模糊逻辑与贝叶斯优化方法相结合的综合评估模型。本文的主要工作内容如下:针对单一数据源的车辆轨迹数据所提供的驾驶行为数据不全面和不准确的问题,本文通过融合车载诊断系统所提供的加速度、车头的方向信息等车辆状态信息,来提供完整而全面的私家车轨迹融合数据。为了准确地刻画私家车轨迹融合数据中多样的非线性特性,以及捕获私家车个体之间的差异性,本研究提出了一种基于多尺度卷积神经网络（Convolutional Neural Networks,CNN）的驾驶行为分析模型,对轨迹融合数据中的驾驶行为进行准确地识别和预测。首先利用基于高斯核密度的竞争学习神经网络进行驾驶模式的识别;然后结合多尺度CNN对轨迹融合数据中的多种特征进行提取,所得到的的基网络能够充分利用所提取得到的多尺度特征,从而得到更为准确的驾驶行为识别结果。实验结果表明,所提出的方法在基于轨迹数据融合的驾驶行为识别上的表现优于常用的KNN、BP神经网络以及朴素贝叶斯方法。针对因私家车车主个体之间明显的差异性,导致其驾驶行为的风险程度计算难以确定的问题,提出一种基于模糊逻辑的不确定性综合评估模型。该模型首先通过自定义驾驶行为特征的模糊集,同时确定符合驾驶行为风险等级划分的隶属函数;然后建立相对应的模糊规则,从多层面刻画了驾驶员在不同时刻不同地点的驾驶行为评分;最后通过融合模糊逻辑和BPNN模型,引入贝叶斯优化对该模型进行参数优化,从而得到私家车车主驾驶风险评估结果。对比实验通过与专家评定的基准进行比较,其结果表明所提出的模型在真实私家车轨迹融合数据上的车主驾驶行为危险等级评估性能要优于目前的主流方法。