根据世界卫生组织统计,全球每年因交通事故而带来的伤亡高达上百万,由此可以看出车辆行驶安全的重要性,而智能交通系统将先进技术（人工智能、通信等）运用于交通运输系统中,可以提高系统的效率和安全性。随着近几年深度学习的发展,把深度学习技术用于智能交通系统行驶安全的相关研究越来越多,其中基于深度学习的轨迹预测就是一个很典型的例子,把轨迹预测用于轨迹异常检测和碰撞预警,对于车辆行驶安全有着重要的意义,然而,目前的轨迹预测算法在时间和空间维度上对车辆之间交互的考虑程度都不足,导致预测的精确度相对较低。同时,目前关于深度学习应用于智能交通系统行驶安全的相关解决方案对于车辆等轻量型节点来说,资源消耗相对较大,这些方案难以有效的部署于实际系统中。针对上述两方面的问题,本文提出了一套基于深度学习的智能交通系统安全行驶技术方案。本文首先提出了基于深度学习的两层协同轨迹预测算法,该算法通过目标车辆和附近六辆车的协同进行短时预测,在短时预测的基础上,再通过目标车辆和区域内车辆的协同进行长时预测;同时,本文设计了基于轨迹预测的轨迹异常检测和碰撞预警方案,以提高车辆行驶安全,其中轨迹异常检测方案将车辆的预测轨迹和实际轨迹作对比,以评估车辆轨迹的异常程度,碰撞预警方案则在预测轨迹上的采样时间点作关于车辆的矩形碰撞检测,以预测是否可能会出现碰撞;然后,本文提出了多维卸载的概念,并利用多维卸载的思想设计了上述安全行驶方案的部署策略,其中多维卸载指的是,对于一个计算任务所需要的数据,计算和功能三方面资源进行卸载。本文对上述轨迹预测算法做了仿真和对比分析,仿真结果表明,本文提出的两层协同轨迹预测算法能够在一定程度上提高轨迹预测的准确度。同时,基于轨迹预测算法,本文对上述轨迹异常检测和碰撞预警方案做了仿真,仿真结果表明,该算法有着不错的异常检测率和碰撞检测率。最后,本文对上述安全行驶方案的卸载策略做了仿真,并与无卸载、计算卸载的情况做了对比分析,仿真结果表明,本文设计的卸载策略能够进一步降低训练和应用的时延,同时在一定程度上降低了车辆自身的数据压力。