近年来,交通事故频发及其数量的居高不下使得驾驶安全形势日益严峻。现有研究表明,多达90%的交通事故与驾驶员因素直接相关,驾驶员的风险性驾驶行为造成了大量的人员伤亡和经济损失,特别是对于营运企业来说,一旦发生交通事故将导致极大的危险性与破坏性,缓解驾驶安全性问题刻不容缓。然而,如何有效地量化驾驶行为风险程度,并客观地评价其驾驶安全性,仍然存在着巨大挑战。随着大数据技术的长足发展,基于交通轨迹大数据的挖掘应用已成为国内外的研究热点之一。轨迹数据蕴含着丰富的驾驶行为特征信息及其潜在规律,若能有效地提取数据表征的知识,则有望挖掘出数据中隐藏的驾驶行为模式,并量化其驾驶风险程度,进而可为营运企业实施驾驶行为的实时监测与安全评估提供决策依据。本文围绕交通轨迹大数据,深入分析研究其内在特性,提出了一种基于时间序列的轨迹数据快速滤波方法,以更加合理及有效地对轨迹数据进行异常数据清洗。在此基础上,本文重点研究了轨迹数据中隐含的驾驶行为统计分布特征,并构建了包括超速、急减速、急加速、车速稳定性、急变道、超长怠速、熄火滑行和疲劳驾驶共8项风险性驾驶行为的挖掘算法与识别模型。针对驾驶行为本身存在的模糊性、不确定性等缺陷,本文运用模糊集（Fuzzy Sets）理论建立了驾驶行为的风险程度量化模型,实现了驾驶行为安全性从定性问题向定量问题的转化,为客观而科学地衡量驾驶风险提供了一种新的量化方法与理论模型。针对驾驶安全性的评价问题,本文利用层次分析法（Analytical Hierarchy Process,AHP）,设计了一套完整的驾驶安全评价指标体系和安全等级评价模型,完成了驾驶行为安全水平的等级分类。结果显示,与其他车辆相比,高风险车辆的隶属度值明显高出两个标准差。此外,本研究将气象因素和道路因素引入到评估系统中,并综合考虑驾驶行为之间的相互影响和依赖关系,基于网络层次分析法（Analytic Network Process,ANP）构建了综合评价指标体系,实现了驾驶安全性的综合评价。同时,为了使模型更加有效且便捷地应用于真实场景,本文分别从驾驶风险等级、驾驶员安全性水平得分及驾驶行为可视化等三个维度对驾驶员进行综合考察,在营运企业或交通管理部门实施驾驶员考核、监测和培训指导等方面具有实际的参考意义与应用前景。