实时准确的排队长度是衡量和改善交叉口控制的关键因素之一。传统对排队长度检测依赖于固定检测器所提供的非常有限、孤立和滞后的数据。而车联网技术的发展赋予交通流实时、动态和连续等特点。为此,本文基于低渗透率网联车数据和信控数据,将交通波理论与卡尔曼滤波理论相结合,实现不同道路饱和度、网联车渗透率条件下的信号交叉口排队长度秒级估计。具体内容分为三个部分:基于交通波理论的信号交叉口周期最大排队长度估计;基于卡尔曼滤波理论和交通波理论的交叉口秒级排队长度估计;基于NGSIM数据的排队长度估计模型的验证。（1）构建了基于交通波理论的信号交叉口周期最大排队长度估计模型。首先,基于网联车在交叉口基本运动特征,建立了特征点的定义与提取算法模型。然后,通过对车辆运动过程重构,构建了在一般条件下和过饱和条件下基于交通波理论的交叉口周期最大排队长度估计模型。最后,通过VISSIM构建单链路仿真环境对模型有效性进行验证。结果表明所建模型在单链路环境中可有效实现周期排队长度的估计。（2）构建了基于卡尔曼滤波理论和交通波理论的交叉口秒级排队长度估计模型。首先,以交通波理论估计的当前时刻进口道到达率和驶离率为输入变量构建状态转移方程,以当前排队网联车的数量和渗透率构建观测方程。然后,提出了基于卡尔曼滤波方法估计排队长度的算法流程和模型性能评价指标。最后,通过调用VISSIM COM接口,利用MATLAB实现模型求解。结果表明,在不同条件下的估计误差均较小,且与实际排队长度拟合度较好。与基准模型相比,模型在高渗透率和饱和度条件下估计效果更优。（3）采用NGSIM数据对所构建的排队长度估计模型进行了验证。首先,选取了NGSIM桃树街数据作为研究对象,并对数据进行初步筛选和预处理。然后,采用离散小波变换去噪方法对车辆位置、速度和加速度等数据进行去噪和重构。最后,将重构后数据代入所建模型中,有效实现了九个信号周期内秒级排队长度估计。通过对结果误差的分析,证明了本文方法在实例数据应用中的科学性和有效性。以上研究成果是对混合交通环境下交叉口排队长度秒级估计方法的探索,可以有效协助交通工程师更好地评估交通信号控制系统,为未来的城市交通态势感知奠定理论基础。