随着车辆的增多,交通事故频发。为了减少交通事故的发生,汽车防撞安全体系的研究也越来越迫切。保证行驶中车辆的安全距离是汽车防碰撞的重要因素之一。本文通过基于核的Fisher方法和区间模糊推理两种方法对汽车行驶的安全距离数据进行分类,分类结果及时反馈给驾驶人,提醒驾驶人注意安全驾驶。分类是数据挖掘和模式识别中的一个重要的研究问题,为了使汽车防撞安全数据的分类准确率高,运行速度快,本文实现了两种方法对其进行分类,都实现了较好的结果。首先,基于核的Fisher方法在处理非线性数据上有很大的优势,在Fisher线性判别基础上加入核函数,该方法在高维特征空间中得到的线性最优判别特征向量实质为原始空间中非线性最优判别特征向量。其基本思想,将原始训练样本通过一个非线性映射变换到某一高维特征空间中,在高维特征空间中完成Fisher线性判别。基于核的Fisher方法很好将汽车防撞安全数据进行分类,实现了较高的准确率,也为汽车防撞安全数据的分类提供了一种新的方法。在MATLAB平台上验证了该方法的有效性。其次,在区间模糊推理方法中,在邱望仁提出的基于区间推理的模糊分类器的基础上融入了权值计算,充分考虑了每个属性对分类的贡献程度,提出了一种新的匹配方法。该方法仅使用最大匹配性原则就可以分类,在处理一般数值型数据时,正确率高,而且对高位数据的处理不会带来指数级的运行速度的增加。在处理汽车防撞安全数据的分类中,改进的方法比原方法的准确率有很大的提高,并通过仿真验证了该方法的有效性。