跟踪和识别重型商用车(HDV)的道路行驶行为是设计无人商用车和实现智能驾驶辅助系统(ADAS)的关键。从轨迹跟踪和行为分析中获得的车辆时空信息可用于预测潜在的驾驶风险并引导车辆安全行驶,进而降低道路事故率。本文提出了一种用于重型商用车轨迹跟踪与行为识别的算法,能够建模车辆在长上坡场景的运动状态,在此基础上,进行车辆行为和车辆能耗的多维度关联分析,挖掘影响燃料消耗的关键因素,实现以节能减排为目标的行为决策,同时增强决策的可解释性。针对采样数据中随机噪声带来的模型识别精度低问题,本文采用基于时间和语义结合的轨迹分段方法,获取地理位置上的时间连续样本。首先使用卡尔曼滤波器来区分误差偏移和随机噪声,估计不同时间段内重型车辆行驶的海拔高度分布。然后,基于两个地理位置之间的高度变化,结合真实地图信息,应用马尔可夫链-蒙特卡洛算法对车辆行为进行模式学习,构建重型商用车辆运动模型(HVMove)。模型可以自动根据道路路网几何结构,识别车辆行为。本文使用真实轨迹数据集(涵盖部分高速公路、国道和省道),对HVMove模型进行了验证和评估。实验结果表明,HVMove模型能够为自动化重型商用车和ADAS应用程序提供足够的准确性和工作效率。同时,HVMove还可以生成带有自动高度标记的电子信息地图,提高传统导航地图的信息量和精确度。精确的车辆行为识别是建立行为决策体系的基础和关键。本文以重型商用车能耗为决策目标,从多维度构造行为特征体系,以提高决策的可解释性与有效性。通过对车辆发动机、变速箱等多源传感器采集的海量数据进行处理,本文发现在车辆行驶过程中大量的原始数据无法直接进行计算和车辆行为特征表示,因此本文从传感器采集的原始数据中提取车辆行为特征,通过贝叶斯分类器得到了多种车辆行为对油耗的影响程度。同时,本文使用了频繁模式来挖掘车辆行为之间的相互影响和联系,探索车辆行为规律,优化重型商用车行为决策。研究还分析了车速和道路对重型商用车油耗的影响,建立车辆行为与货运路线的关联关系,保障重型商用车低油耗、高安全的生态驾驶模式。