近年来我国汽车产业蓬勃发展,驾驶过程中驾驶人不规范行为带来的交通安全问题也日益突出。随着智能移动终端的快速普及,可以方便的通过其获取车辆行驶数据,分析出驾驶员的驾驶行为和驾驶模式,为交通安全提供有力的技术支持与保障。因此本文研究基于移动智能终端的驾驶行为识别方法,并在驾驶行为的基础上对驾驶模式进行识别,主要研究工作包括以下内容。首先,利用移动智能终端内置的加速度传感器和陀螺仪,采集能够表征车辆行驶状态的加速度和角速度信息。在对驾驶数据进行驾驶行为识别之前,选取处理时域信号效果较好的移动均值滤波,对受到车辆抖动干扰的驾驶数据进行了降噪处理;接着采用语音识别领域的端点检测算法,提取出驾驶数据中不同驾驶行为片段的切换点,减少了驾驶行为识别的计算量。然后,论文在对不同驾驶行为片段特征进行分析后,从加速度传感器的X和Y轴和陀螺仪的Z轴数据中提取了22维时域特征,考虑到特征之间的相关性,使用主成分分析对其进行特征降维,得到了最能表征车辆横向和纵向驾驶行为的4个特征。接着使用k-means聚类算法对驾驶行为数据进行快速的初步聚类,观查聚类结果的样本分布,计算DBI指数确定12为最优聚类个数,再利用FCM聚类算法对驾驶行为数据进行精细聚类。最后,提取出各不同驾驶行为类的聚类中心,将其当做驾驶行为词典中的单词,统计驾驶数据中不同驾驶行为单词出现的次数,得到驾驶行为单词加权直方图特征。针对当前主流主题模型pLSA、LDA的不足,论文在LDA模型的基础上提出了引入时间标签的改进LDA模型,即T-LDA模型来识别驾驶模式。实验结果表明改进的模型能有效地挖掘出驾驶数据中一系列连续驾驶行为的特性,提高驾驶模式识别的准确率。