近年来,频繁发生的交通事件,严重损坏了高速公路“安全、快速、高效、舒适、环保”的形象。如何快速地检测、判断事件的发生并及时采取措施,以有效的减少交通延误、保障道路安全、减少环境污染已成为备受关注的问题。随着计算机网络技术、通信技术、自动控制技术等不断发展,智能事件自动检测系统为解决上述问题提供了有效的途径,而事件检测算法是自动检测系统的核心内容,其性能好坏直接影响事件检测系统的效率,对其研究具有非常重要的意义。本文通过对常用事件检测方法的分析与总结发现,虽然这些方法能够获得良好的检测效果,但因交通数据样本有限、输入特征过于简单或冗余、参数设置无法达到最优等问题的影响而无法获得更优的性能。针对以上问题,在分析支持向量机分类原理及其优势的基础上,论文综合运用针对有限样本的支持向量机技术和遗传算法优化技术,详细设计了基于遗传算法的不同类型支持向量机模型参数及特征同步选取方法,以优化每种支持向量机的模型参数的同时选取模型对应的最优特征组合。鉴于上述方法理论上针对有限样本仍有较好的可推广性,并具有对特征进行选取和参数进行优化的能力,论文采用Ⅰ-880实测数据集,构建了各种遗传支持向量机事件检测模型。将得到的数据结果从检测性能、推广能力和判定速度三个方面进行评比分析,得出最优模型。并与构建的基于网格搜索法的支持向量机模型和神经网络模型进行对比分析,验证了选取最优特征组合的必要性、遗传选取方法的有效性和支持向量机的优越性。遗传支持向量机利用有限的交通数据样本,合适的交通输入特征,优化的模型参数,获得了满意的检测效果,为设计高性能的事件检测算法提供了方法,具有一定的现实意义。