针对汽车低速制动时的蠕动颤振表现主要依靠人工主观评价，存在成本高、耗时长、易受人员主观性影响等问题，提出了一种基于机器学习模型的智能评价方法。首先，研究并提取了颤振信号的特征；其次，采用支持向量机（support vector machine，简称SVM）和K近邻算法（K nearest neighbors，简称KNN）2种机器学习模型进行制动颤振的智能评价；然后，提出基于概率密度特征的特征排序与筛选算法，将特征从39维筛选至11维，以提高机器学习模型的准确率；最后，通过对比试验发现，经过特征筛选后的训练机器学习模型SVM和KNN的准确率分别从72.5%和68.75%提升到了86.25%和87.5%。试验结果表明，提出的特征提取和基于概率密度的特征筛选方法在对蠕动颤振评价上具有较高的有效性。