交通事故分析对于交通安全有着重要意义。现行分析多以交管部门提供的结构化编码数据为基础,而对交通事故文本类数据利用不够。这主要是由于文本中存在的大量时间、地点、数字、伤亡结果等关键异构数据难以被有效提取。现有的交通事故文本信息提取手段多采用基于静态向量的深度学习模型,这种方法虽然可以自动提取文本异构数据的特征,避免了人工设计规则带来的耗时问题,但提取信息的精确度较低。鉴于预训练语言模型BERT在其它文本挖掘领域的良好表现,论文主要研究BERT与深度学习网络的融合模型应用于交通事故文本关键异构信息提取。在深度学习模型高效率的基础上提高信息提取的精确率,并结合设计改进的关联规则挖掘算法对事故进行分析。论文主要工作包括:（1）构建了一种基于动态字向量的融合模型BERT+BiLSTM+CRF用于交通事故文本异构关键信息提取。利用BERT对文本字符进行动态向量映射,从数据表达源头解决一词多义、上下文依赖不充分等问题;利用BiLSTM提取文本向量化后的特征,输出高特征的文本序列;利用CRF能够计算全局最优输出节点的概率优势,优化文本序列特征结果。通过对比实验,该模型在交通事故文本中提取信息平均准确率为0.924,F1为0.918,比基于静态词向量Word2Vec的模型精确率与F1值分别提高了3.8%,8.1%。（2）针对传统Apriori算法在挖掘交通事故数据中存在候选集数目巨大、生成规则维度单一等问题,设计了一种具有多属性约束条件的改进Apriori算法。利用交通事故数据中多值属性的特点,对数据进行统一取值整理,并通过调整规则维度的阈值,设计多属性约束条件剔除Apriori算法生成的无效规则。实验表明,改进算法的运行时间平均减少38.3%,且避免了无效规则的生成。（3）设计并开发了交通事故文本分析系统,该系统具有交通事故文本数据采集、事故文本信息抽取、关联规则分析、自定义分析结果展示、自定义导出等功能。系统可用于有关部门分析交通事故文本数据,并制定相应决策。综上,构建的基于BERT+BiLSTM+CRF模型能够有效的提取交通事故文本中的关键数据;改进的Apriori算法挖掘交通事故规则效率更高,能得到更多科学的结果;设计的交通事故文本分析系统能够基本满足交通事故文本数据的分析要求。