随着道路交通行业的发展,车辆保有量日益增加,道路交通安全成为社会重大安全问题之一。据调查,90%以上的交通事故都是由于驾驶人员操作不当引起的,这些不当的驾驶事件往往是导致事故发生的主要原因。因此,研究有效的异常驾驶事件检测方法是十分重要的。近几年来,国内外专家学者提出很多驾驶事件的研究方法,现有的驾驶事件检测方式,往往都是采用车载终端等设备,给驾驶人员操作带来一定的麻烦。随着移动终端例如智能手机的快速发展,其内置的传感器功能逐渐完善,智能手机也逐步成为了驾驶事件检测的理想平台。我们思考采用什么方式来让智能手机能够随时随地地采集相关行为而准确率不变;采用什么样的判别方法能够更好地识别异常驾驶事件等。所以针对以上几个问题,本文深入研究了关于智能手机的驾驶事件识别的相关情况,对国内外研究现状进行归纳总结,给出了一个准确有效的智能手机车辆异常驾驶事件检测的原型系统,回答了上述问题。本文的主要贡献如下:首先,本文针对驾驶人员的驾驶事件进行了相关分析,着重研究加速,减速,左右变道,刹车,左右转弯等几种驾驶事件。通过利用智能手机内置的传感器(加速度传感器,陀螺仪传感器)采集车体运动的相关状态参数,对其进行分析,判断传感器中哪一维分量影响驾驶事件。针对智能手机能随时随地感知数据的特性,本文提出了基于四元数的空间旋转的问题,我们通过将欧拉角的三个姿态角转化为四元数,来求解旋转矩阵,使数据在发生改变时,不会发生漂移。其次,本文通过数据滤波和端点检测对传感器数据进行预处理。在数据滤波中,我们选取椭圆低通滤波和滑动平均滤波,通过比较滤波的效果,选择5阶椭圆低通滤波作为本文的数据滤波方法。其次针对端点检测,本文提出使用数据的样方平均值作为端点检测的端点能量值。在数据特征提取过程中,我们采用SFS与SVM的混合特征选择算法选取20个特征值作为驾驶事件分类的输入值。最后,针对加速,减速,转弯,变道,刹车等驾驶事件,本文采用OS-ELM和Lib-SVM两个分类算法,比较两者的运行时间和准确率,判断Lib-SVM算法更优,实验结果表明,驾驶事件识别率达到93.3110%。因此我们选择Lib-SVM作为分类算法,分类出上述7种驾驶事件。针对异常驾驶事件,我们提出通过界定的阈值识别算法进行判断,若是超过规定的阈值,就判断为异常驾驶事件。实验结果表明,本文提出的智能手机车辆异常驾驶事件检测系统能有效识别判断异常驾驶事件,并比之前的驾驶事件判别系统更为简便快捷。