短期交通流预测一直是一个比较活跃但结果却不令人满意的研究课题。近年来，众多学者把交通系统看作是一个非线性的确定性动力学系统，用非线性确定系统规律研究交通流的行为越来越显示出强大生命力。随着非线性理论和技术的发展，混沌理论和神经网络等成为交通系统强有力的分析和预测工具。首先，针对BP网络训练中尚存在的许多问题，如网络收敛慢，易陷入局部极小点等，本文对原算法和目前常用的改进算法进行了分析，找出了原算法存在问题的原因。并试图在前人工作基础上，对原有算法做出些微改进，以期新算法在短时交通流预测中取得良好表现。本文主要从激活函数和学习规则这两个角度修改算法：1．重新选取激活函数，并对步长因子、动量因子做出相应修改。2．为了解决有固定学习步长BP算法的效率问题，本文提出了一种基于共轭梯度方法的全局最优化学习规则，并对所得新算法的收敛性做出了分析及简要证明。其次，本文将该改进算法应用于京珠高速公路的某路段短时交通流量预测。在这一应用中，我们将其预测结果与传统的BP网络预测结果做出比较，结果表明该算法的精确度和效率比传统的BP网络预测方法要优越。再次，本文对短时交通流量序列进行了混沌性识别，证实了短时交通流存在混沌现象，并在本文所提出的BP改进算法的基础上，试用混沌理论对单变量的数据进行相空间重构后结合神经网络进行预测，并与不采用混沌理论处理的神经网络预测进行了对比，认为：采用混沌重构对于单变量神经网络的预测精度是有影响的，因为采用混沌重构的神经网络，其预测精度和效率有了明显的提高。最后，我们得出结论，改进的BP算法大大提高了训练速度，基本上解决了局部极小的问题，为神经网络技术提供了一种新的思考问题的方法。并且，基于混沌神经网络的综合预测方法要比不采用混沌理论处理的单一的神经网络预测方法更能适应短时交通流预测的精确性和实时性要求。