近年来,随着国内城市化进程的加速发展,危险化学品（简称危化品）使用量急剧攀升。道路运输作为危化品运输主要的形式之一,危化品道路运输事故率也随着运输量的增大而呈现上升的趋势。由于运输行业本身的高风险性以及危险化学品品种的多样性,这类事故的发生往往伴随着恶劣的社会影响,社会对此类事故的关注也越来越多。因此,预防危化品道路运输事故的发生以及降低其事故发生的可能性,不仅是为了降低事故所带来的经济损失,也是维护国家公共安全,稳定社会发展的必要手段和措施。研究和预测危化品道路运输事故的发生原因以及建立相关的事故预测模型在现阶段的中国非常紧迫。本文首先回顾了危化品道路运输事故风险的相关研究以及贝叶斯网络在交通领域建模的现状,分析了以往研究的不同侧重点,同时对本文涉及的危化品运输概念以及所需使用的安全管理理论和贝叶斯网络基础知识进行了简介。其次,本文针对国内443起危化品道路运输事故样本,从事故的发生时间、空间、道路、环境以及事故后果等变量入手进行可观察致因变量分析,得到因素与事故类型、后果之间的关系。以上述分析为基础,运用事故致因理论以及耦合理论作为指导理论建立以人、车、道路、环境为框架并结合机器学习构建贝叶斯网络。将443起事故样本进行分级、离散化处理,以Genie2.0软件为平台,通过K2、EM算法完成贝叶斯网络结构和网络参数的机器学习。运用沈晓燕的数据统计分析结果验证模型科学性,再通过机器学习性能指标衡量模型预测准确性。对已经建立好的模型进行贝叶斯网络推理分析评估,获得危化品道路运输中影响事故风险大小的重要因素并提出建议。最后,使用已建好的模型具体应用在京昆高速四川广元段,将模型得到的预测结果与此路段历史事故数据对比分析,以此验证模型的理论与实践价值。通过输入路段的基础数据,对京昆高速广元段的危化品道路运输风险进行了预测,风险预测结果表明,驾驶员驾驶车况正常的槽罐车在雨雪或阴天的条件下最可能发生的事故为追尾事故概率为39%,在驾驶员疲劳驾驶且处于弯道的情况下,最容易发生单车碰撞事故概率为51%,在隧道中最容易发生的事故为追尾事故概率为38%。本文的研究旨在已有的数据统计分析方法的基础上,为危化品运输风险分析和预测提供一种新的方法和思路。