拥堵已成为我国交通领域亟待解决的问题之一。为缓解该问题，我国已在多个城市建立了浮动车监控调度平台。浮动车系统具有低成本、高覆盖率、实时性强等特点，可实时反馈交通状态，该系统的建立在一定程度上缓解了交通拥堵。本文面向交通状态辨识建立浮动车数据的时空语义模型，将其划分为时空位置语义、道路几何语义和道路场景语义3个层面，并针对每个层面目前存在的问题提出相应的解决方案。本文主要研究工作及贡献体现在以下几个方面：
　　（1）提出了基于单目视觉的时空位置语义编码算法
　　针对在GPS（Global Positioning System）盲区浮动车无法获取定位数据的问题，提出了基于单目视觉的时空位置语义编码方法。该方法利用行车记录仪获取车辆周围图像，结合轮速计获得相邻2帧图像之间的距离，基于单目视觉三维重建技术，构建透视n点（perspective n-point；PnP）模型，计算相邻2帧图像的位置关系从而计算浮动车的空间位置。实地实验结果表明，本文所提方法获得的位置数据平均精度误差为8m，低于GPS的平均误差，可作为浮动车在盲区位置数据获取的手段。此外，本文提出的基于单目视觉的定位算法，具有成本低，简单易推广的优点。
　　（2）设计了基于曲线局部匹配的道路几何语义编码算法
　　在基于浮动车系统的各种应用中，如何获取浮动车所在的道路及其几何形状和连通性是关键。本文将道路的几何形状和道路之间的连通性定义为道路几何语义，提出一种基于曲线局部匹配的道路几何语义编码算法，该算法基于浮动车数据重构路网拓扑结构，从而获得每条浮动车数据所在道路的几何形状及相互连通性。算法利用Fréchet距离作为衡量曲线相似性的标准，引入曲线自由空间的概念实现曲线和图的局部匹配，将曲线的相似性判断转化为自由空间中的单调最短路径问题，从而降低算法的复杂度。实验结果表明，本文所提出算法获得的道路几何形状和连通性的准确性均胜于同类经典算法。
　　（3）提出基于深度学习网络的道路场景语义编码方法
　　利用浮动车行车记录仪提供的图像数据，将浮动车数据按照道路场景语义进行分类。特别是将深度学习应用于道路场景的全局特征提取，面向道路场景语义分类构建深度学习网络RoadNet，建立基于深度学习的道路场景语义编码模型。实验结果表明，所提出方法能够有效准确的进行道路场景语义分类，所构建的深度学习网络RoadNet与其他网络相比，在道路场景分类上具有更高的正确率和鲁棒性。
　　（4）提出了基于时空语义编码的路网交通状态辨识方法。
　　以所构建时空位置语义、道路几何语义和道路场景语义为基础，对路网交通状态进行语义化标定。依据浮动车是否处于GPS盲区提出不同的辨识交通状态方法，GPS信号良好地段使用GPS数据，在GPS盲区地段使用图像数据。最后，以武汉市武昌区多条主干道路进行实例验证本文提出的交通辨识方法。
　　本文研究结果可以扩展浮动车技术的应用，提高基于浮动车辨识交通状态的应用范围和效率，为缓解乃至改善道路交通拥堵的现状提供技术和数据基础。