随着我国私人汽车拥有量和机动车驾驶员人数的不断增加,带来了道路拥堵以及交通事故频发等越来越多的问题,车辆跟驰作为一种常见的驾驶行为,每年都有大量的交通事故是由车辆跟驰导致或与跟驰碰撞相关,因此对危险跟驰状态的预测研究具有重要意义。本研究使用安全试点模型部署（SPMD）数据集,通过可观测的本车和前车的运动参数等信息,基于高斯混合-隐马尔可夫模型对危险跟驰状态进行预测。本研究的成果可以辅助驾驶员安全驾驶,减少危险跟驰事故的发生。首先,本研究基于SPMD自然驾驶数据集进行跟驰数据筛选和预处理,通过阅读国内外危险跟驰状态及碰撞风险的相关文献,确定了衡量车辆危险跟驰状态的碰撞时间倒数（ITTC）阈值,并筛选出危险跟驰和安全跟驰的样本。其次,为了减少误差并充分利用观测数据,取0.5s作为时间窗长度,通过对时间窗内跟驰状态的量化以及运动参数的特征值处理,使用灰色关联度法挑选出与跟驰状态相关程度较大的观测变量进行组合。模型训练时,为保证高斯混合-隐马尔可夫模型初始参数的合理性,本研究在统计分析的基础上,使用高斯混合模型对观测变量数据进行拟合,得到模型的初始参数并进行训练,保证了训练结果的准确性。然后,本研究针对不同的观测变量组合、不同的高斯混合数目、不同特征参数进行模型调优。得到最优模型之后,分别提前0-5个时间窗对危险跟驰状态进行预测,对比提前0.5-2.1s的预测结果,结合实际应用,选出最佳预测时长。最后,本研究通过构建随机森林危险跟驰状态预测对比模型,对高斯混合-隐马尔可夫危险跟驰状态预测模型的预测效果进行对比,结果证明了高斯混合-隐马尔可夫模型在处理时序特征数据时有较好的适用性,基于高斯混合-隐马尔可夫模型的危险跟驰状态预测模型能够很好地预测出危险跟驰状态。