随着经济快速发展、城市日益扩大化和人口与私家车数量的增长,城市道路的容量和运行能力日趋下降,以道路拥挤、行车困难表现最为严重。道路拥挤是国内外各大中城市所面临并亟待解决的棘手问题。由于高额的治理费用和改善道路基础设施的空间有限,单纯的依靠构建新的道路体系或者扩建原有的道路网络变得不切实际。所以,现在人们越来越多地关注发展和建设能良好管理已建成的道路网的智能交通体系,从时间和空间上向出行者提供优化且高效率的交通诱导。交通诱导和信息控制是密不可分的,识别交通拥挤的算法作为交通诱导的核心部分之一,用来分析交通数据并检测事件的发生。如何设计判别效果好的识别算法具有重要的意义。本文根据国内外的研究现状,对城市道路交通拥挤识别算法中的模糊综合评判方法运用展开相应的研究。本文从道路交通流的参数和交通拥挤的定义入手,对交通状态的概念及其度量标准进行研究,分析了道路固定线圈的布置形式,确定了统计时间的间隔。从经典的道路交通拥挤自动判别算法并结合人们常用交通参数的选取原则出发,找出最有判别力的三个交通参数(流量、车速、占有率)运用于模糊综合判别算法,并对传统的模糊综合评判算法模型进行了改进。论文首先通过城市交通流量随时间变化在车道上的分布具有时间和空间相对性的特点分析,发现当车流量很小而车辆行驶通畅(车速正常)时,其与模糊综合评判中专家建议权重值不能保持一致,故而提出分时段赋予截面平均车速极大值法解决误判的发生。其次,分析原始数据预处理方法在选择不同参数情况下的平滑效果、平滑曲线的灵敏度与随机抗干扰性能的特点对模糊综合评判算法中模糊聚类中心的影响,提出基于多参数数据融合方法滤波处理后进行模糊聚类中心的修正。采用平均误差和最大绝对误差两个指标,评价了采用多参数数据融合方法后的滤波预处理结果更贴近于实际值。最后,结合实测数据进行模型检验,结果表明,修正后的聚类中心对在车流量高峰期后到车流量减少的消散时期具有较好的判别效果。