城市快速路的交通状态实时判别是交管部门制定决策的重要参考依据。目前对于城市快速路交通状态判别的研究都是把拥挤状态归结到交通异常事件当中,或以交通参数的某一阈值作为交通状态的判别标准。此种方法判别的准确率不高并且不能够进行实时的判别。本文利用一路段一天的历史数据使用模糊聚类方法和支持向量机构建了城市快速路的交通状态判别模型,提高了判别准确率和速度。首先对交通流参数进行了介绍,并阐述了交通流流量、速度、密度之间的关系,确定了本文研究所使用的交通流特征参数（流量、速度、占有率）,并确定了参数快速路交通状态的划分标准。其次介绍了遗传算法以和模糊C均值聚类算法,阐述了利用模糊C均值聚类算法进行交通状态判别的过程。然后针对模糊C均值聚类存在的不足对模糊C均值算法进行了改进,将模糊C均值聚类插入到遗传算法的流程中,提出并行遗传模糊聚类算法,有效的解决了模糊C均值聚类算法对初始值敏感的问题。由于基于欧式距离的交通状态判别方法存在较大的计算量,所以使用支持向量机建立了交通状态的分类模型,并对支持向量机的参数采取了网格搜索法、遗传算法、粒子群算法三种方式优化,得到使训练模型能够达到最大的准确度的参数组。最后,利用实测数据对模型进行验证。将并行遗传模糊聚类和原始的模糊C均值聚类进行了收敛速度、对初始值的敏感程度、聚类有效性三方面的对比。结果表明初始值的选取对并行遗传模糊聚类无影响,每次迭代都能收敛到全局最小值,且迭代次数很少,聚类有效性也比原始模糊C均值聚类高,为后续支持向量机的训练提供了很好的基础,大大节省了时间。