受恶劣天气或定位设备故障等各种不可控因素的影响,定位设备在采集驾驶行为信息的过程中可能与真实数据存在一定的差异,同时,现阶段驾驶人员的驾驶行为不规范致使交通事故频繁发生。针对上述问题,本文基于运输车辆的行车状态信息数据,结合各种异常点识别模型对运输车辆的轨迹数据进行去噪,以获取更精确的运输车辆的轨迹路线,其次,利用各种聚类模型对驾驶人员的驾驶行为进行甄别,从而加强运输企业对运输路线以及驾驶人员的管理。具体工作如下:首先,对450辆运输车辆的行车状态信息数据进行数据审查与数据清洗,构建了与驾驶行为有关的特征指标,利用斯皮尔曼相关性分析方法以及熵权法对特征指标进行了提取,同时选择了对驾驶行为的分析更有影响力度的特征指标,实现了对数据的预处理及分析。其次,使用基于距离的异常点识别模型以及DBSCAN密度聚类模型对运输轨迹数据进行去噪,在此基础上,本文结合前两者方法的优势,改进了现有的DBSCAN密度聚类模型,并且通过构建该模型对运输轨迹数据进行去噪,不仅提高了轮廓系数值,同时精确了运输车辆的轨迹路线。最后,通过对数据预处理后得到的驾驶行为特征指标使用K-Means、DBSCAN、层次聚类、高斯混合聚类以及谱聚类各种模型进行聚类分析,并根据簇的分布情况选用了K-Means、高斯混合聚类以及谱聚类三种聚类结果较好的模型,分别从不同角度对驾驶行为进行深入研究,实验结果表明谱聚类效果最好,经过进一步的模型参数调优,最终将驾驶行为明确地分为稳定型驾驶、激进型驾驶与疲劳型驾驶三类。