近年来,随着机动车数量的急剧增加,带来了极为严重的道路安全问题。在各项致命的交通事故因素中,有95%是人为因素,其中:酒后驾驶的危害最为严重,所引起的交通事故率呈现出逐年攀升的趋势。基于上述背景,本文提出了一种基于核函数的深度极限学习机模型,用于准确检测酒后驾驶行为。该模型通过检测与酒后驾驶相关的典型异常驾驶行为线索来检测酒后驾驶行为,包括:频繁换道行为,漂移行为,急转弯行为,转弯半径较大的行为,急加速行为,急减速行为和超速行为。酒后驾驶行为检测问题被转换为对七种异常驾驶行为线索的检测,其中随着检测到的酒后驾驶线索的增加,发生酒后驾驶的可能性相应地增加。本文采用汽车模拟器对驾驶员的车辆行驶数据进行采集,包括速度、加速度、方向盘转角和车辆偏离车道中心的距离,为模型训练和验证提供数据支持。小波变换用来对采集的数据进行预处理;分别用小波变换和小波包变换对车辆行为数据的特征提取,并进行对比;然后通过建立基于核函数的支持向量机模型,长短期记忆网络模型,基于核函数的深度极限学习机模型检测酒后驾驶行为。最后通过对比表明:本文所提出的基于核函数的深度极限学习机模型对于酒后驾驶行为的检测的实时性更高,检测率更高,达到92.4%。