高速公路网断面交通参数已经成为交通管理部门进行交通管理、交通预测和交通规划的关键因素。如何获得更准确和更广泛的断面交通参数信息成为交通信息采集技术的重要研究方向。传统的断面交通参数信息主要由固定式车检器采集获得，车检器通常布设在一些重要路段上，无法提供路网中全面的断面交通信息。基于路网海量起讫信息估计断面交通参数，是一种新的交通信息采集方式，这种方法无需配置大量昂贵的设备，可应用现有的路网数据，覆盖整个路网，获取准确而全面的后验高速公路断面交通参数信息。论文介绍了基于收费数据计算路网中车辆的OD行驶信息的方法，并且以Oracle数据库作为平台，Visual C++编程访问Oracle数据库，实现了高速公路网中车辆OD信息的计算。论文提出的车辆分型量化精度高，车型划分粒度小，以车辆OD信息表为基础，判断车辆的车型、行驶路径和速度等信息，计算出了陕西省路网中所有相邻收费站间的断面交通量、车辆速度和占有率三个交通参数。论文采用逐层逼近的方法，从1个月的时间周期开始，不断缩小交通参数观察时间周期，在Visual C++平台上编程实现了基于收费数据对不同时间精度下的交通量和占有率的计算。并以车检器检测交通量作为基准数据，对不同时间周期下交通量进行误差估计，得到基于收费数据估计交通量的时间精确度。对得到的断面交通量和占有率结果进行分析，结果显示基于收费数据估计的交通参数结果和实际交通流特征相符，有较好的适应性和准确性。结合收费数据和车检器数据对断面交通量进行估计是本文的一大特色。论文建立了BP神经网络模型，训练网络时以断面1小时基于OD收费数据计算的交通量作为的输入，以车检器检测交通量作为输出，在Matlab平台上编程实现了基于BP神经网络校正交通参数算法的仿真实验，并对比校正前后断面交通量的平均相对误差，证明了基于BP神经网络的交通量校正算法效果良好。