准确实时的交通流预测对解决拥堵、满足人们对高效出行的需求、实现高效交通控制和诱导等具有重要现实意义。本文对将深度学习应用到短时交通流预测问题进行了研究。通过实验对比了多种深度模型在短时交通流预测问题中的适用性及优势,并提出了一种融合多种深度学习网络的交通流预测模型。具体工作如下:首先,应用深度学习方法进行短时交通流预测。采用多种深度学习方法实现短时交通流预测,通过多组对比试验,验证了该新技术在交通流研究问题中的可行性和有效性并分析了各深度学习方法在短时交通流预测问题中的优势及存在的问题,同时对预测任务中表现性能较差的深度学习结构进行了具体深入分析;其次,提出了一种利用贝叶斯学习理论对多种模型预测结果进行融合的短时交通流预测方法。结合短时交通流预测模型参数意义,采用贝叶斯理论,对各子模型预测结果的置信度进行评估,以此置信度作为各子模型的权重,对各子模型的结果进行加权融合,提出了基于多种深度学习方法融合的预测模型BCDLP。通过对比实验,验证了该模型可以融合多种深度学习模型的优势,在保证拟合效果的同时有效地提高预测精度。