伴随当今交通需求的日益增加和机动车的广泛普及,交通拥堵、尾气污染和交通事故频发等问题对社会成产和生态环境都造成严重的负面影响。世界各国和各地区都迫切需要自动化程度高的智能交通管理系统,用于在有限的交通资源下疏导交通流。智能交通系统被视为一种有效的解决方案,通过覆盖道路的基础设施采集道路信息,融合图像处理、运筹学和云计算等技术挖掘数据的内在的规律,使用移动设备提供个性化服务和更高效地管控交通。但是在信息采集和数据分析过程中仍存在一些需要完善的地方,例如远处车辆识别精度低和交通状态预测鲁棒性差的问题,本文对图像重建技术和交通数据特性展开研究,主要研究内容如下:首先,针对远处目标图像包含较少有效信息而导致识别精度低的问题,提出了一种通过超分辨率重建来提高车辆分类性能的方法。并使用退化函数模拟低分辨率图像,以此建立新的车辆训练数据集。其次,为了引导模型生成有利于分类的特征,在判别网络输出额外增加了两条分类决策支路,并设计了一个新的混合目标函数来训练模型。通过消融研究分析了不同损失的贡献。在KITTI基准上的大量实验表明,与已有的先进模型相比,我们的车辆分类方案有了实质性的改进。最后,针对交通状态预测精度低和鲁棒性差的问题,提出了一种基于3D卷积神经网络的预测方法,通过3D卷积捕捉数据的时空特性,同时对历史数据的周期性和外在影响因素的随机性建模。在南京市某区域的路况预测实验中,取得了整体最优的回归精度。