近年来,我国物流行业蓬勃发展,公路运输愈加频繁,由此造成的货运事故率居高不下,运输过程中的安全问题成为了亟待解决的热点问题。据统计,75%的车祸事故由驾驶员的不当操作引起,因此,研究驾驶员行为对保障车辆驾驶安全与运输安全具有重要意义。本文基于商用车联网大数据,运用数据挖掘技术,挖掘大数据背后的驾驶规律,分析驾驶员的驾驶行为,研究商用车辆驾驶风险辨识,建立安全性量化评价体系。主要内容如下:（1）商用车联网数据采集、预处理与特征提取。利用CAN总线技术、高精度传感器和GPS全球定位系统采集商用车辆自然驾驶数据,从车辆运行监控平台提取出50名驾驶员一个月内的出行数据并进行预处理操作,包括行程划分、短小行程去除、缺失数据移除与插补、异常值检测、数据平滑滤波等。统筹考量驾驶员因素（不良驾驶行为操作等）、车辆行驶状态（行驶车速、行驶加速度等）以及道路环境因素（日间、夜间等）对行车安全状态的影响,提取并构建了 18个能够表征商用车驾驶风险的特征参数,进行数据降维优化处理,并作为后续研究的技术储备。（2）商用车辆驾驶风险等级辨识。针对当前驾驶风险等级分类不合理、辨识精度低等问题,建立了一种基于极端梯度提升（XGBoost）算法的商用车辆驾驶风险辨识模型。运用数据挖掘技术对商用车辆驾驶风险进行分级聚类,精准捕捉驾驶风险倾向较高的驾驶员,采用更强大、求解速度更快的XGBoost算法,建立驾驶风险辨识模型并与传统集成学习算法（决策树、随机森林、K近邻等）进行横向对比。实验结果表明,该模型在识别精度上具备优越性,同时能有效抑制样本的不平衡问题。（3）商用车辆驾驶行为安全性量化评价。以量化评价商用车辆驾驶安全为研究目的,基于数据驱动技术对不同驾驶员的驾驶安全性进行评估。结合熵权法（EWM）、层次分析法（AHP）与模糊综合评价算法,提出了一种基于多隶属度函数的商用车辆驾驶行为安全性综合评估模型。首先建立商用车驾驶行为安全性评价体系,对传统熵权-层次分析法（EW-AHP）进行改进,并为各评价指标综合赋权,确定影响驾驶安全的关键因素,接着结合多隶属度函数与模糊数学理论计算出模糊综合评价矩阵,实现驾驶行为安全性的量化评价,最后通过实车数据验证模型的合理性与可靠性。（4）商用车驾驶风险辨识与安全性评价系统设计与实现。将算法模型应用于实际,开发了一款能够实时监控商用车辆运行状态、辨识驾驶风险及量化评价驾驶安全的软件系统,实现了一种驾驶员“驾驶-评估-改善-驾驶”的闭环反馈驾驶行为优化模式,从而有助于驾驶员改善驾驶习惯,提升行车安全性。