道路交通事故伤害已经是人类十大死因之一,在全球范围内,每年造成多达125万人死亡和5000万人受伤。如果可以鉴别交通事故的多发地点,这将对降低交通事故数量产生巨大的有益影响。本文的目的就是鉴别道路交通事故的多发地点。传统的交通事故多发地点鉴别方法大多建立在历史交通事故数据的基础上,再进行数理统计、聚类或者其他机器学习方法鉴别,缺乏对交通事故数据时空稀疏性的考虑,其数据获取代价高,鉴别准确率较低。针对这些问题,本文截取伦敦市目标区域并将其划分成地理网格,使用Google地图服务（Google Static Maps API）抓取这些网格的卫星图像,并输入到卷积神经网络（Convolutional Neural Networks,CNN）中以提取事故多发地点的图像特征,然后将交通事故关键特征与从CNN中提取到的图像特征相结合,以创建能够接受多类型或混合类型数据输入的神经网络模型（Mixed-type Data Neural Networks,MDNN）。这两种数据都输入到单独的深度学习方法中,并将它们的输出结果组合到最后一层,以鉴别新区域是否会发生交通事故。具体内容如下:（1）本文通过分析交通事故数据的不同特征,初步筛选得到造成交通事故的影响因素,然后通过基于主成分贡献度的交通事故热点成因分析方法进一步找到造成交通事故的主成因,最后利用了格兰杰因果关系分析方法筛选了鉴别交通事故多发地点的关键特征。（2）本文对研究区域的地理空间进行了网格划分,匹配交通事故数据,对Google Static Maps API抓取每个网格的卫星图像经处理后生成样本集,提出了基于CNN的交通事故多发地点鉴别方法,通过学习不同道路之间的差异建立模型,针对新区域进行鉴别,为CNN应用领域增添了新方向。（3）单纯依靠结构化或者图像数据的方式构建的方法代价高,准确率低。本文提出了基于MDNN的交通事故多发地点鉴别方法,用CNN分支处理图像数据,用多层感知机（Multilayer Perceptron,MLP）分支处理交通事故相关数据,然后将这些分支连接在一起以形成最终的多输入神经网络,以更小的代价获取了更好的分类效果,具有广泛的应用前景。