移动通信技术、全球定位技术和物联网技术的蓬勃发展,催生了海量的交通数据。通过采集道路运输过程中“人-车-环境”的状态数据,利用机器智能对这些数据进行深度挖掘和融合分析,有利于发现车辆隐含的交通行为特征,特别是检测驾驶人可能存在的交通违法行为,对于防范和减少交通事故的发生具有非常重要的意义。为此,本文综合考虑驾驶人、车辆和环境三方面的交通数据,利用仿生神经网络技术对轨迹数据进行异常检测,利用机器视觉技术对环境和驾驶人数据进行状态分析,并融合三方面分析结果形成更全面的车辆安全检测技术,为车辆交通违法行为的检测提供可靠依据。本文主要研究工作包括以下三个方面:（1）为了实现对车辆轨迹运行状态的检测,针对车辆轨迹的时序特征及位置关系,提出了一种基于仿生神经网络的车辆轨迹预测方法。通过长短型记忆神经网络（LSTM）对轨迹进行预测,根据轨迹特征对轨迹预测结果进行分析,达到识别异常轨迹的目的。在轨迹预测中,利用改进的仿生学萤火虫算法（FA）优化预测模型参数,提高了模型的处理效率,增强了模型的数据拟合能力,进而提高了预测的准确度;（2）利用机器视觉技术,建立道路环境与驾驶员行为分析模型,对道路环境和驾驶员行为进行有效识别。一方面通过图像预处理技术提取环境标识的有效ROI（Region of Interest）区域,利用多分类支持向量机完成对环境标识的识别。另一方面基于Open CV建立人-手-姿态估计模型,提取驾驶员样本中的眼部、嘴部、手部、肢体动作等行为,识别出眯眼、打哈欠、抽烟、打电话等危险驾驶信号,检测出驾驶不安全行为;（3）研究建立驾驶安全评估模型的方法,将信息融合技术应用于驾驶安全等级评估中,从车辆轨迹、交通标识、驾驶员特征三个维度对驾驶安全状态进行综合评估。并通过组合赋权法对三个指标进行权重分配,得到最接近实际状态的驾驶安全评估结果。