高速公路合流区作为一种连续流性质的交通设施,一方面提高了路网的通达度和路网的运行效率,另外一方面也造成了多股车流汇集,产生了大量的换道冲突。研究表明,高速公路上有近四分之三的交通事故直接或间接与合流区内频繁的轨迹交叉和换道冲突有关。因此高速公路合流区的运行质量与高速公路路网的运行效率和运行安全性存在着密切的联系。利用交通冲突技术进行高速公路合流区的安全分析依赖于大量的车辆轨迹数据。人工的车辆轨迹数据采集方法费时费力,且无法提供高精度的数据;GPS、雷达等设备虽然能提供精度较高的轨迹数据,但是需要对特定道路进行改造,成本较高,可实施性较差。鉴于计算机视觉技术的高速发展,利用目标检测算法和目标追踪算法实现高速公路合流区车辆轨迹数据自动化采集和重构,能有效地提高车辆轨迹数据采集的效率和精度。以此为背景,本文基于深度学习算法实现了车辆轨迹的识别和重构。在此基础上,分析了高速公路合流区的交通流特性和交通冲突特性,构建了高速公路合流区换道冲突序列模型。最后,基于Light GBM实现了高速公路合流区换道冲突的自动判别。本文的重点研究内容总结如下:（1）为了高精度且自动化地采集高速公路合流区车辆轨迹数据,基于目标识别算法YOLOV5和目标追踪算法Deep SORT,实现了车辆位置的检测和车辆轨迹的追踪。在此基础上,利用速度和加速度公式,实现了高速公路合流区的车辆轨迹参数自动采集。最后,基于海量的标定数据,以平均精度、查准率和查全率为指标,验证了车辆位置检测和轨迹追踪的有效性。（2）针对高速公路合流区车辆轨迹参数中存在异常值和随机噪声的特点,分别选取EDM算法,EEDM算法和CEEDMAN算法进行高速公路合流区车辆轨迹的重构运算,输出了车辆轨迹重构前后对比图和对比表。对比三种算法的车辆轨迹重构结果,甄选出CEEDMAN算法作为高速公路合流区车辆轨迹重构的推荐方法。（3）根据高速公路合流区的几何特性和车流特性,论证了冲突时间差（Time Difference to Collision,TDTC）作为高速公路合流区换道冲突指标的有效性。为了表征高速公路合流区换道冲突的动态特征,以TDTC为指标,构建了高速公路合流区换道冲突序列模型。同时,利用重构后的高速公路合流区车辆轨迹,以数据置信度和数据平衡为指标,验证了高速公路合流区换道冲突序列模型的有效性。（4）以高速公路合流区换道冲突序列模型所计算出的TDTC值为基础,引入Light GBM算法,实现了高速公路合流区换道冲突的自动判别。经过训练,高速公路合流区的换道冲突自动判别模型的总体正确率达到了91%以上,其在查全率和查准率这两个方面均优于随机森林、Ada Boost、XGBoost、决策树以及K近邻等几种模型。最后,以特征重要度为指标,证明了基于Light GBM的合流区换道冲突自动判别模型具备较强的可解释性和有效性。综上所述,本文通过引入深度学习算法和标定海量的轨迹样本,实现了高速公路合流区车辆轨迹参数的自动提取和重构,为车辆轨迹数据的采集提供了一个较好的解决方案。同时,本文提出的高速公路合流区车辆换道冲突序列模型和换道冲突自动判别算法,能够为高速公路合流区的安全评价与优化设计提供理论支撑。