危险驾驶行为是导致交通事故的重要原因。监控驾驶人行为,在危险驾驶发生前进行预警,对减少事故发生率有着至关重要的意义。现有的计算能力以及数据采集设备已经可以实现实时采集数据并计算分析,使得事前预警成为现实。驾驶人在驾驶车辆过程中,当出现情绪失控会导致驾驶变形。现有研究主要聚焦于不同情绪下的驾驶特性,很少有研究将情绪作为行为预测的特征。因此,本文通过融合驾驶人面部表情数据和车辆运动数据预测驾驶人的驾驶行为。为获得最真实的数据,本研究开展了自然驾驶实车试验,并通过多种预处理手段对自然数据进行清洗,而后使用机器学习算法预测驾驶行为。具体研究内容如下:为获取大规模真实驾驶数据,以网约车驾驶人为受试对象,开展了自然驾驶实车试验。通过试验采集了百万级车辆运动数据和视频数据。通过专业软件分析视频,获取情绪数据和微表情数据。对原始数据进行预处理,包括时间同步、数据拼接、无效值处理以及数据平滑。使用考虑道路线性及道路摩擦力的物理模型以及加速度阈值识别急变道、急加速,急减速三种危险驾驶行为,标注危险驾驶行为数据。选择决策树,随机森林,梯度提升树,支持向量机,贝叶斯网络5种具有代表性的机器学习模型。在不同特征集上测试模型的预测能力。选取综合考虑精确率和召回率的F1作为模型评估指标,确定最优模型用于后续研究。结果发现梯度提升树在各个特征集的表现均优于其他模型,且使用车辆运动数据+情绪数据的特征集,模型可以获得最优的预测效果,F1为92.66%。选择前述的最优模型梯度提升树研究具有最优预测能力的时间窗和特征集组合。使用不同的特征集和时间窗建立梯度提升树,比较各模型的预测能力。结果表明使用行为前0-2s的情绪+车辆运动特征可以获得最佳的预测精度（F1=93.97%）。在给驾驶人预留1s反应时间的情况下,使用行为前1-13s的车辆运动+情绪+微表情特征可获得最优的预测性能（F1=85.88%）。综上,本文基于大规模自然驾驶数据,融合面部表情和车辆运动等多源数据对驾驶行为进行预测。比较5种机器学习模型的实际预测性能,选择最合适的预测模型;通过网格搜索策略,寻找出最优特征集和时间窗。研究提出的驾驶行为预测方案可以直接应用于实时的危险驾驶行为预测,为智能汽车人机交互发展提供技术支撑。