相比于一般交通事故,特大交通事故的特征及其发生机理会有所不同,本文旨在对特大交通事故的分布特征及其影响因素进行研究。基于2014至2018五年间的特大交通事故数据,从驾驶员、车辆、道路和环境等方面分析特大交通事故的分布特征,构建随机参数Logit模型和机器学习模型揭示特大交通事故严重程度的关键影响因素,利用关联规则技术探索特大交通事故影响因素之间的关联性,深入挖掘特大交通事故的诱因组合,进而提出更有针对性的安全措施建议。论文的主要工作和研究成果如下:（1）特大交通事故特征分析。从驾驶员、车辆、道路和环境等方面分析特大交通事故的分布特征,并通过方差分析确定事故死亡人数的显著影响因素。结果表明,驾驶员操作不当是特大交通事故的主要原因,货车、二级公路、国道、平直路段、西南地区、夏季、周末、晴天和18:00-07:00等情形下更易发生特大交通事故,且超速驾驶、超载驾驶等对事故死亡人数有显著影响。（2）基于随机参数Logit模型的特大交通事故严重程度影响因素分析。把特大交通事故分为三种严重程度等级构建其Logit模型,分析事故严重程度的关键影响因素。结果表明,相较于传统Logit模型,随机参数Logit模型有更好的拟合优度;超速驾驶变量具有随机参数特性,75.55%涉及超速驾驶的事故会增加事故死亡人数;超速、超载、路面积雪或覆冰等变量对三种严重程度事故的影响有差异。（3）基于机器学习的特大交通事故严重程度影响因素分析。将特大交通事故数据利用SMOTE算法进行数据平衡后,使用特征选择中的Boruta算法筛选出模型的输入变量,分别建立决策树C4.5、支持向量机和BP神经网络分类模型,来探索特大交通事故严重程度的主要影响因素。结果表明,决策树C4.5模型整体表现最优;特大交通事故严重程度的主要影响因素按照重要性依次为事故形态、超速驾驶、道路线形和超载驾驶等。（4）基于关联规则的特大交通事故诱因组合分析。采用关联规则Apriori算法对特大交通事故的影响因素进行关联分析,通过对两因素、三因素和四因素共同作用影响机理的分析,挖掘出恶劣天气条件下国道上货车较易因路面湿滑而发生的正面碰撞事故等规则;并基于关联规则挖掘不同严重程度特大交通事故的典型事故诱因组合,进而提出了更有针对性的事故预防措施。