论文以高速公路为研究对象，以小波变换、时间序列分析理论和BP神经网络为研究方法，对高速公路交通事件进行检测，其结果旨在为交通管理部门及出行者提供实时、准确、可靠的交通信息服务。　　 论文首先回顾了国内外已有的高速公路交通事件检测算法，将其归纳为比较算法、统计算法、交通模型算法、人工智能算法和小波分析理论算法五大类，重点将小波变换在现有算法中的应用进行总结和分析，指出了该领域中目前存在的问题和不足。　　 然后对小波变换的基本原理和交通事件检测技术进行简单阐述，详细分析了小波变换在高速公路交通事件检测算法中的应用现状，将其归纳为数据去噪和特征提取两个方面。重点探讨了数据预处理时去噪函数中各参数的选择以及特征提取的基本原理与方法，为构建新的交通事件检测算法提供了思路。　　 以小波变换在交通事件检测中的主要应用为研究方向，建立了两种新的事件检测算法，并进行了实证分析。　　 第一种方法是将小波变换和时间序列分析进行松散型结合，提出了基于小波-时间序列分析的高速公路交通事件检测算法，即采用小波变换对交通流数据进行去噪，通过时间序列分析对去噪后的数据进行特征提取，针对典型交通状态建立相应的状态模型，从而实现交通事件的自动判别及分类。最后在Matlab中实现了对美国I880高速公路数据的实例分析，并对模型的可控参数如时间序列长度、模型阶数进行了敏感度分析。　　 第二种方法是将小波变换和BP神经网络进行紧致型结合，提出了基于BP小波神经网络的高速公路交通事件检测算法，即采用小波函数代替BP神经网络的隐层节点函数，相应的输入层到隐层的权值以及隐层阈值分别由小波函数的尺度参数和平移参数代替，并采用梯度下降法进行网络训练，构建适合于交通事件检测的小波神经网络模型。最后在Matlab中实现了对新加坡AYE仿真数据和美国I880实测数据的实例分析，并将其与现有的经典算法进行了对比分析。　　 论文最后把这两种交通事件检测算法进行了对比分析，并结合各自的特点，对两种检测方法的适用范围提出了建议，并对两种检测方法的进一步完善提出了设想。