实时监控驾驶员的驾驶行为、及时提示驾驶员的危险驾驶操作可以为提高驾驶安全性提供一份重要的保障。然而,现有的工作仅仅能够提供一种粗粒度的驾驶行为检测方法,即现有的工作仅能够分辨出驾驶员是否出现异常驾驶行为,而无法更进一步具体指示出现了什么样的异常驾驶行为。为了提高驾驶员对自己的驾驶习惯的认识,本论文着手于研究一种细粒度的异常驾驶行为监控方法。这一方法将可能检测出来的异常驾驶行为进一步细化,分为以下六种:蛇行驾驶、极速变向、侧滑驾驶、快速U型转弯、急转弯和急刹车。本论文根据在真实驾驶环境下六个月时间的实验所收集到的数据,分析发现以上六种异常驾驶行为在加速度与方向角上都有各自独特的特征,将这两方面的特征相结合就有可能实现六种异常驾驶行为之间彼此区分。依据这一观察结果,本论文提出了一种仅依赖于智能手机的,能够提供实时高精确性监控机制的,细粒度的异常驾驶行为检测和识别系统。具体而言,该系统首先在加速度与方向角方面综合提取了若干有效的特征,并使用机器学习方法中的多类支持向量机和神经网络方法,根据这些特征建立了异常驾驶行为分类器,以此实现细粒度划分各类异常驾驶行为。大量的上路实验验证了该系统的有效性以及精确性,本文系统在20名志愿者历时四个月的驾驶数据集上取得了 95.36%的正确率。