城市交通是现代城市发展的重要组成部分,在我国经济飞速发展的情况下,私家车保有量逐年增加,交通拥堵也越来越频繁地发生。由于现有的地图软件的拥堵判定方法,是基于用户车辆或手机内安装的导航软件的数量来决定,存在有预判结果不准确的缺陷,且交管部门的摄像头不能完全覆盖全部路段,因此无法全面准确地反馈路况信息。针对这一现状,本文提出了结合行车记录仪的实时拥堵判定方法,发挥了行车记录仪对道路真实场景的反馈优势,弥补了导航软件的判定缺陷;另外,行车记录仪记录的画面是连续的,又可以解决交管部门摄像头范围不能覆盖所有道路路况信息的不足。本文主要工作如下:（1）针对目前主流的目标检测模型作对比分析,对目标检测数据集、主流深度学习网络模型和框架进行总结,并对这些模型和框架作以定量的对比分析,最终选取YOLOv7作为车辆检测的算法。（2）以陕西省宝鸡市高新区及渭河北岸的行政中心区作为研究区域,对这一区域主要道路和桥梁做行车记录仪实地视频采集,截取视频中的图像作为车辆检测和车道线检测的数据集。用YOLOv7检测拥堵路段的车辆,判断拥堵路段车辆数目;介绍了传统的和基于深度学习的车道线检测方法,并对Lane Net、Canny边缘检测、霍夫变换、逆透视变换等车道线检测算法在本地数据集和Tu Simple数据集上作以测试,验证车道线提取效果。最后结合本地数据集特点和研究需求,选取YOLOv7作为车道线检测算法,提取视频中的图像作为深度学习车道线数据集,以YOLOv7为深度学习模型进行训练,用训练好的模型检测车道线,以此判断车道数,丰富道路路网信息。（3）结合行车记录仪和GPS设备,通过检测行车时拥堵路段的车辆,实时检测道路拥堵情况,并将拥堵路段以红色标记到地图上;提出一种结合车辆和车道线信息的道路拥堵判定方法,以平均速度为基础,拥堵路段检测出的车辆数和车道线数目为辅助,提出拥堵指数和拥堵指标计算公式。绘制并分析研究区域主要道路和桥梁的矢量图,根据采集的行车记录仪数据,以表格形式对上下班高峰时期的拥堵路段做以分析,最后将拥堵状况反映到地图上。根据新的判定方法,更新路网内桥梁和道路的拥堵状况,并将更新后的路网内桥梁和道路的拥堵状况形成地图可视化。（4）根据路网中道路和桥梁拥堵程度的不同,对路网中不同的道路和桥梁赋以不同的拥堵系数,并将拥堵系数反馈在地图上。以百度地图的行车路线为基础,提出新的行车路线,结合路段长度,计算出每条路线的最终拥堵系数,从而分析出拥堵程度最低的行车路线。（5）选取当量交通量作为实地交通状态的量度,在路网中选取8个点位,在这8个点位实地观察统计行驶过的车辆数,以交叉口处东南西北四个进口为基础,左转、直行、右转三个行驶方向为辅助进行统计;对不同车型赋以不同折算系数,计算出各个进口和各个方向的当量交通量,汇总在表格里,验证了基于行车记录仪的道路拥堵检测方法的可靠性,同时为路网内道路拥堵情况提供了更精确的信息。