随着经济的发展和城市化进程的加快,大规模路网中汽车保有量日益增多,交通拥挤现象愈发严重,引发了交通事故频发、环境污染、能源浪费等一系列社会性问题。车联网的出现为这些问题提供了新的解决途径,随之而来的交通信息多源时变性、移动源特性给路网的交通状态信息感知领域提出了新的难题,比如车联网环境下路网交通状态数据提取与处理、车联网环境下道路交通事故快速识别等。本文的研究内容分几个部分。首先,建立了车联网系统的物理架构和网络架构,提出了车联网环境下路网交通状态信息感知的关键技术,并基于射频识别技术对交通流状态信息参数的提取提出了一种新方法。然后针对车联网射频识别传感器原始检测数据中存在的大量数据异常情况,将交通流三参数作为统一整体考虑,在建立数据采样间隔与数据离散程度定量关系模型的基础上,提出了四步骤的异常数据筛选方法和四种适应不同场合的数据恢复方法,建立了标准化的数据筛选与恢复流程,并采用长春市快速路实测数据对上述方法的适用性和有效性进行了验证,具有较高的精度以及较强的工程实用价值。其次提出了一种车联网环境下仅依靠GPS数据的路段行程时间估计模型,有效解决了粗粒度(30s左右)浮动车数据下的路段行程时间估计问题,不需要借助于交叉口信号配时参数。以秦皇岛主干路段实验车实地跟车验证,本模型方法本模型行程时间估计值的平均绝对误差和平均相对误差分别为12s和8.67%,由于传统方法。最后在分析交通事故发生后路段交通流参数特性的基础上,提出了一种基于车联网采集流量数据与行程时间估计数据相结合的交通事故自动识别方法。并通过建立的评价指标运用VISSIM仿真软件进行仿真,表明新方法对试过的检测效率和是否适应不同交通状况。本文成果主要应用于车联网感知层,为车联网应用层提供了基础数据支撑。