在智能交通系统中,交通信息检测是其重要的组成部分。它是将各种传感器检测到的信息进行融合,得到实时准确的交通流数据,送给智能交通控制中心,再由控制中心进行处理和判断,然后通过信号灯或其他交通控制手段来发出相应的指令,从而实现对城市交通智能控制的目标。无线传感器网络技术应用在交通信息检测领域,以检测精度高、便于安装与维护、受环境影响小以及多节点协同四方面的优势,具有广阔的发展前景。本文主要研究内容为,通过磁敏传感器以及多节点间的数据融合,对交通信息进行检测,提高了车辆分类和车辆速度检测的精度,并且提出了一个基于无线传感器网络的区域交通流检测模型,通过仿真分析认为该模型具备合理性与可行性。首先,使用磁敏传感器检测车辆对地磁场的磁扰动特征信号,并根据邻接传感器网络本身的几何特性估计车辆长度,最后采用BP神经网络对车辆进行分类。神经网络的输入为车辆信号的占空比序列及车辆长度和速度等特征信息,输出为预定义的车辆类型。结果表明该算法提高了车辆分类的准确性,且具有较高的鲁棒性。其次,设计了一个自校正Kalman滤波器(Kalman-PE),实现了对行使中的车辆速度实时检测。该滤波器在线性Kalman滤波器的基础上,利用分批估计理论对系统观测方程的观测噪声在线实时估计,从而解决了在观测噪声或观测噪声发生漂移等未知条件下Kalman滤波失效问题,进而提高了速度检测模型的精度。最后,通过实验仿真对比了加权滤波器、Kalman滤波器以及Kalman-PE滤波器在速度检测模型中的实际性能,验证了Kalman-PE的可行性与准确性。再次,在已有方法的基础上,提出了一种对交通子区内路段和边界路段的车流量检测方法。该方法基于无线传感器网络对车流量的检测,再利用Kalman滤波器对检测数据进行融合计算。通过实验证明,该方法提高了车流量的检测精度,并且可以较为准确的获得交通子区车流量变化的情况。最后对本文工作进行了总结,并指出了下一步研究方向。