安全是智能汽车行驶的首要问题,合理的道路线形设计是汽车安全行驶的基础和关键因素。论文针对智能汽车与道路线形有关的安全行驶问题展开相关研究,聚焦于极限道路线形条件下紧急制动、道路线形相关前方事故多发路段预判及异常车辆行驶轨迹预判三种具有代表性的安全行驶问题。主要创新性工作如下:研究了极限条件下紧急制动时的制动性能,建立了典型道路线形条件下制动距离模型,特别地,分析了不同道路线形模型之间的关系。根据2-范数理论,建立了直线道路线形紧急制动距离模型和极限小半径圆曲线道路线形紧急制动距离模型;通过皮尔逊线性相关系数对不同道路线形的制动距离模型进行相关性分析;基于余弦相似度与相对误差,对制动力数据进行聚类,给出了制动力时序数据分段算法,提取出阻滞力段、上升段、持续段、释放段四个簇及相应时间分界点,从制动力各阶段时间特性角度对制动距离进行微观分析。实验结果表明:相同制动初速度条件下,极限小半径圆曲线道路线形紧急制动距离为直线道路线形的1.1～1.3倍。研究了道路线形对智能汽车行驶安全性的影响,建立了预判事故多发路段的神经网络模型和多元数学模型。以道路线形技术指标为输入,使用数据驱动和模型驱动相结合的方法进行特征提取并建立模型,用于对前方路段事故数的预测;计算各个道路线形技术指标与事故数之间的偏相关系数,从中挑选出与事故数相关程度较大的道路线形特征,使用T检验和F检验验证了道路线形特征组合和单个特征对事故数的影响;使用安全度作为评判路段安全程度的指标,根据事故数的实测值、预测值和理论值计算路段的安全度,根据安全度对前方是否是事故多发路段进行预判。实验结果表明:基于机器学习的神经网络模型和基于数值逼近理论的多元数学模型预测正确率基本相近,约为90%;两种模型对道路安全影响较大的道路线形相关不利因素组合相同,均为平曲线转角、横向力系数和纵坡坡度;各种不利因素组合中,平曲线转角、横向力系数和纵坡坡度出现的频率分别为100.0%、91.7%和83.3%,远远大于其他因素;事故多发路段道路线形因素不仅与平曲线转角、横向力系数和纵坡坡度有关,而且与其线形组合有密切关系,组合不当亦会导致事故增加;两种模型可相互验证,考虑计算速度及参数的可解释性,实际中优先选择多元数学模型进行事故预判。研究了正常行驶轨迹基本规律和平面线形基本原理,使用曲线相似性、道路线形组成及几何参数、连续车道变换次数三个指标,提出了智能汽车异常行驶轨迹综合评判方法。建立异常轨迹库,对传统的Fréchet距离算法进行改进,并以改进的Fréchet距离作为测度,对轨迹检测序列和异常轨迹库中轨迹进行曲线相似性比较。分别使用五点正交拟合曲率法和正交最小二乘法,提取构成整个轨迹的直线、圆曲线和缓和曲线三种基本线形元素及相应几何参数。以轨迹线形组合和各线形元素几何参数为指标,评判汽车行驶轨迹是否异常。对于车道线无法识别的路段,取待检测轨迹序列纵坐标的最大值和最小值,根据最大值和最小值,计算连续两次车道变换次数。综合曲线相似性、轨迹线形组成及几何参数和连续车道变换次数,评判汽车行驶轨迹是否异常。通过实测数据对所建模型及方法进行验证。为进一步验证模型的正确性及泛化能力,依托本校车联网与智能汽车试验场,搭建了本文所建模型综合测试平台,进行实车综合测试。考虑编程实现及测试场景的灵活性,根据计算机编译原理中的自动机理论,建立了智能汽车综合测试场景有限自动机模型。结果表明:（1）直线道路线形路段制动距离模型和极限小半径圆曲线道路线形路段制动距离模型皮尔逊线性相关系数为0.996,两种模型线性相关显著,相同速度下,极限小半径圆曲线上制动距离大约为直线路段制动距离的1.1～1.3倍。（2）神经网络模型和多元数学模型均可以正确的对事故多发路段进行预测,考虑计算速度及参数的可解释性,实际中优先选择多元数学模型进行预判。（3）行驶轨迹异常检测正确率为87%,其中,异常行驶轨迹相似性判断,传统的Fréchet距离算法平均正确率为67%,改进后的Fréchet距离算法平均正确率为91%。