城市道路交通拥挤成为困扰世界各大城市的主要社会问题之一,不仅给人们的日常工作与生活带来了很多的不便,还会制约经济的增长、加速城市环境的恶化等等,严重影响着城市的可持续发展。及时、准确地发现路网中发生(或即将发生)的交通拥挤,对于制定合理有效的交通拥挤疏导策略具有重要意义。城市道路交通拥挤状态识别是一个非常复杂的过程,包含了很多内容和技术,但是论文主要对城市道路交通状态识别的以下三个关键技术进行了研究:交通信息采集技术、交通数据预测技术、交通拥挤状态识别算法。论文首先研究了城市道路交通拥挤的定义、分类、及其相关特性,从经济学的角度分析了交通拥挤发生的深层次原因。其次,对各种交通状态信息采集手段进行了分析与比较,对各种交通检测器优化布置进行了研究,并对其一般设计步骤进行了介绍。其中,在固定型交通检测器配置密度优化方法中,提出了一种多目标规划模型。然后,在交通流参数的短时间预测方面,介绍了改进的指数平滑方法和基于BP神经网络的短时间预测方法,以及基于这两种算法的多模型融合预测方法。其中,在多模型融合的具体权重的计算时,引入了动态误差序列的概念,提出了运用等步长最小绝对值法来计算权重。最后,论文在对经典的和改进的城市道路交通拥挤识别算法进行了介绍与对比之后,给出了道路交通拥挤识别算法的工作步骤。结合不同的服务对象对识别算法的侧重要求点不同的事实,通过对单项算法识别结果的再应用,设计了面向对象的道路交通拥挤识别算法表决融合。