汽车工业的迅猛发展使人们的出行越来越便捷,但是随之而来的交通事故和交通拥堵,已成为当今社会需要解决的巨大难题之一。酒后驾驶、疲劳驾驶、超速驾驶是构成交通事故的三大原因,几乎都是由于驾驶员的不当操作所造成的。因此,有必要针对驾驶行为进行学习和分析,以便设计有效的措施来降低交通事故的发生率。本文通过对驾驶员的环境和行为进行采集与判断,提出了一种基于情境感知的车联网辅助驾驶机制。首先,论文对驾驶行为中常常提到的概念进行明确的定义和分类。接下来,我们设计了基于BP神经网络的驾驶行为三层模型,分为感知及预处理层、驾驶行为决策层、以及应用层。通过传感器收集人—车—路三者的数据,输入BP神经网络,对驾驶行为进行建模学习和分析,从而判断驾驶员目前所处的状态。一旦发现非正常驾驶行为,则根据具体的情况,采取相应的提醒措施,并通过车联网向外推送信息。特别地,我们针对危害最大的酒后驾驶提出了相应的预判方法,通过在车厢内三个不同的位置安装酒精探测器,获取空气中酒精浓度的数据与分布,基于模糊控制理论判断驾驶员的状态,并依照结果进行对应处理。另一方面,每位驾驶员的行为都代表了他目前想要到达目的地的迫切程度,这其中最极端的便是超速驾驶行为,属于鲁莽驾驶。交通路口的信号灯时长设置与交通流量的分布往往不匹配,导致交通效率的低下,并引发危险的路口超速行为。对此,本文提出了驾驶员的快速行进意愿值(Will-Value)的概念,并将意愿值和虚拟交通灯(VTL)相结合,根据每个路口的实时车流情况及各车道驾驶员意愿值的大小,动态改变交通灯的相位和时长。实验数据表明,本文中提出的方法可以有效地提高交通效率,避免出现空等现象,对于车辆分布不均匀的路口本方法的优势尤为显著。