本文首先分析了车辆制动过程和制动距离的主要影响因素,利用Car Sim车辆动力学仿真软件模拟不同路面条件和车辆制动初速度下车辆的制动距离,使用改进的粒子群优化极限学习机算法构建了车辆制动距离预测模型。通过前后两车制动距离及停车后期望的安全间距得出车辆跟驰安全距离的计算方法。其次,利用NGSIM车辆轨迹数据分别训练构建了两种基于深度学习的车辆跟驰模型,模型可以模拟驾驶员的记忆效应且模型完全由数据驱动,最大限度地减少了人为干扰。对模型的网络结构、激活函数和超参数等性能指标进行改进,解决网络存在过拟合、梯度消失等问题。观测结果表明,使用深度学习网络和时间序列数据可以更好的提取数据深层特征,使用此数据集时通过输入9～10s历史时间长度数据可获得最佳预测结果。为辨识车辆跟驰安全态势,利用深度学习跟驰模型预测未来时间点跟驰车的行驶速度,将此速度作为车辆制动初速度预测车辆制动距离,通过车辆跟驰安全距离计算方法计算出跟驰车应保持的安全距离,使用此距离对NGSIM车辆轨迹数据集进行安全状态标定。然后,利用标定后的数据集对改造后的深度学习跟驰模型进行迁移训练,使得模型可以实时对车辆的安全态势进行分类辨识。基于样本不平衡问题改进了模型损失函数中不同类别的样本权重。最后,通过测试数据进行仿真,使用针对数据样本不平衡的特殊评价方法对模型的真实预测精度进行评价,通过绘制ROC曲线证明了改进的时间卷积网络模型在多种分类阈值的设置下可以保证较高的分类精度。综合上述研究结果,本文提出的基于改进的时间卷积网络辨识模型在实测交通数据的车辆安全态势辨识中具有较优的表现,可作为汽车前向防撞系统的一种有效辨识方案。