随着汽车保有量的增多,道路交通事故频发,每年造成大量伤亡。尤其在高速公路,交通事故死亡率高且更容易引发二次事故。近几十年来,越来越多的企业和学者关注到交通事故检测和分类,主要根据下游交通流变化、单车传感数据变化和视频数据进行事故检测,而这些方法实时性不高、可靠性较低或数据获取来源难度较大。所以,探寻一种快速且可靠的交通事故检测方法对缩短伤员救援时间及减少事故导致的财产损失具有重要意义,同时未来对交通事故责任判定提供理论支撑。目前关于交通事故检测的研究已取得一定进展,但从事故分类的角度研究仍不够深入。事故检测从使用数据的角度可以分为基于宏观交通流数据的事故检测方法,基于单车姿态数据的事故检测方法和基于视频图像数据的事故检测方法。然而这些方法均存在一些局限性,基于宏观交通流特性检测事故的实时性不高,基于单车传感数据进行事故检测可靠性较低,基于图像的交通事故研究对天气、光线等户外条件有一定的要求,且检测成本较高。当前,随着全球卫星导航系统（GNSS）在手机和车载设备中的普及,大量的实时多车轨迹数据越来越容易获取,这为利用多车轨迹数据检测高速公路事故提供了一种潜在的途径。然而,在实际情况中,大量的撞车轨迹数据是比较难以获取的,同时,通过真车实验去获取撞车轨迹的成本较大,可行性较低。因此,本文采用交通事故仿真软件PC-Crash生成轨迹数据用于模型训练。PC-Crash是一款专业的交通事故仿真软件,可以获取车辆在事故发生前、事故发生时、事故发生后的速度、角速度、位置等轨迹信息。卷积神经网络能够对于多特征数据进行识别及分类,因此,本文提出了一种基于多车轨迹数据和深度学习的事故检测与分类方法。目前,GNSS的精度为5-20米[1,2],通过车载GNSS传回的两相邻车辆间距判定事故的误判率极高。与该事故检测方法不同,本文中的方法不仅利用了相关车辆的位置信息,而且试图捕捉事故车辆轨迹在一段时间内的变化趋势。本文首先建立了一种基于非集计事故车辆轨迹的深度卷积神经网络模型,用于从正常驾驶中检测事故并识别事故类型。为了获取生成的事故轨迹数据（即非集计数据）,从PC-Crash仿真生成模拟轨迹数据,包括正常驾驶轨迹和事故前、事故中、事故后的轨迹。考虑六种交通事故类型分类训练测试,并对轨迹数据的频率和时长等影响因素进行分析,从而验证模型有效性。其次,考虑到事故发生后,会影响车道其他车辆的行驶轨迹,本文建立了一种基于集计事故车辆轨迹的深度卷积神经网络模型。为了获取相关车辆的轨迹数据,将PC-Crash生成的轨迹数据导入微观交通仿真软件SUMO,结合Python进行仿真,生成事故发生前后相关车辆的行驶轨迹数据。对生成的多条车辆轨迹数据进行集计获取集计数据,考虑两种交通事故类型用于分类训练和测试,并对获取数据的渗透率、频率和时长等影响因素进行分析,验证了模型的可行性。研究和分析的结果表明:基于轨迹和深度卷积神经网络的高速公路事故检测与方法能有效检测并分类交通事故。为了验证模型的稳健性,对数据的频率和时长等影响因素进行分析,发现轨迹数据的频率越高、时长越长,则检测准确率越高,而且换道事故比追尾事故更容易被发现。此外,对于基于集计车辆轨迹的事故检测模型,轨迹抽样集计数量越多,则检测准确率越高。本事故检测与分类模型对不同频率和持续时间的数据都具有高稳定性和高性能。即使对于一些具有挑战性的事故类型,本文所提出的模型也具有鲁棒性和自适应性。因此,本事故检测模型的可行性和适用性较高,有助于准确、快速地检测事故,识别事故类型,以及在未来有助于事故责任判定。