交通流诱导和线路引导是21世纪现代地面运输管理体系的模式和发展方向。建立交通流诱导和线路引导系统的关键是要能较准确地预测未来时段内的路段行程时间，路段行程时间预测还是智能交通信息系统的重要内容，因此，城市交通路段行程时间预测研究有着十分重大的意义。 交通参数与路段下一时段的行程时间之间的关系是非常复杂的，采用传统的方法难以取得理想的预测效果，比如卡尔曼滤波算法适应性不强，BP神经网络可以反映行程时间的变化趋势，但预测精度较差。 径向基函数(RBF)神经网络，作为一种新型的数学建模方式，它可以根据具体问题确定相应的网络拓扑结构，学习速度快，具有自动聚类、自学习、自组织的功能，不会出现局部极小值问题，它对连续非线性函数具有一致逼近性，因此，论文提出了基于径向基函数(RBF)神经网络路段行程时间预测的模型。 论文首先介绍了路段行程时间预测的已有方法，分析了它们的优势和不足，在探讨了交通参数的常见检测方法的基础上，提出了基于车型识别的双线圈路段平均速度求取方案，接着，论文探讨了RBF神经网络的原理、特点、结构、实现并应用于路段行程预测，提出了基于RBF神经网络的路段行程时间预测模型，通过仿真验证了其预测效果，并从实验和理论上与卡尔曼滤波和BP网络的预测性能做了系统的比较，证明了基于RBF神经网络的路段行程时间预测有较好的适应性、实时性和准确性，在行程时间可实测的路段上它可以取得较为理想的预测效果，在行程时间不可实测的路段，其预测效果也是可以接受的，它克服了卡尔曼滤波算法对行程时间实测的依赖性和仅仅根据数据的表面特征进行参数优化和预测的局限性，可以进行大范围的数据融合，整体预测性能比卡尔曼滤波算法和BP神经网络要好，从而证明了基于径向基函数(RBF)神经网络的路段行程时间预测是可行的。