随着中国经济的发展,城镇化进程的不断加快,为了进一步提高城市交通系统的运输效率,智能交通系统应运而生。为了解决在封闭道路场景下的交通拥堵问题和城市道路场景下的小目标检测和识别问题,本文做了大量理论论证和推导,并提出了相应的方案用来解决不同场景存在的问题。针对封闭道路场景下的智能交通系统,主要需要解决在运行过程中的交通流量不稳定性问题。现有的交通流量控制模型主要针对理想情况下的交通流量进行控制。因而,在实际道路场景中由于不稳定性因素的影响,上述模型不能有效的消除交通流量的不稳定性。本文在其基础上,从理论上对真实场景下交通流量的不稳定性进行定量的考量,并总结得到导致交通流量不稳定的主要因素:延迟和误差。综合考虑误差和延迟对系统的影响,本文从已有模型进行出发,结合卡尔曼滤波的思想,提出可预测的双边控制模型。从不同场景下的实验结果可以看出,通过引入预测过程和最优估计过程,我们对交通流量的不稳定性进行了有效的抑制,从而在实际场景中可以有效的提升交通系统的运输效率。针对城市道路场景下的小目标检测识别问题。以行人为例,现有的基于计算机视觉的行人检测识别方法存在诸多问题。本文通过引入非刚体的微多普勒效应,通过对行人微多普勒特征的分析,从理论上论证其可行性。在微多普勒效应的基础上,结合小型的FMCW（连续调频波）雷达,本文构建出一套基于行人微多普勒特征,并使用目前流行的深度学习技术进行行人识别的方案,通过实验仿真初步论证了该方案的有效性和潜力。在最后,为了进一步的提高行人识别的准确率,引入ACGAN（辅助分类生成式对抗网络）和本文提出的基于CNN（深度卷积神经网络）的预测模型对数据进行增强,并从一定程度上提高了行人识别的准确率,也为数据不足的场景提供了初步的解决思路。