当前，交通拥堵问题愈演愈烈，已成为全世界人民出行面临的主要问题，亟待解决。而及时、有效的交通运行状态检测，对政府部门的宏观调控、交通管理者的方案施行以及居民出行决策的制定具有重要现实意义。
　　本文通过分析行车噪声数据对交通运行状态的评价进行了研究，针对传统行车噪声特征以及传统识别算法在交通运行状态评价中的不足，提出了三种不同的改进方法。为了验证三种改进评价方法的有效性，利用声音采集设备采集了城市道路同一个四车道路段的行车噪声数据，在实验中对比了改进评价方法和传统评价方法的评价结果，同时也对比了不同改进评价方法的评价结果。具体研究如下：
　　(1)以传统的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient，MFCC)作为不同交通运行状态的识别特征，结合传统粒子群优化算法(Particle Swarm Optimization，PSO)和支持向量机(Support Vector Machine，SVM)分类器对交通运行状态进行了初步识别，并通过实验结果分析了复杂噪声环境下传统MFCC特征和传统PSO算法优化SVM分类器参数在交通运行状态评价中存在的局限性。
　　(2)针对传统MFCC特征在复杂噪声环境下对交通运行状态表征能力较弱的问题，探索性地将Teager能量算子(Teager Energy Operator，TEO)引入到行车噪声特征提取中。将TEO和传统的MFCC特征相结合，形成一种新的行车噪声特征T-MFCC，并提出了基于T-MFCC和PSO-SVM的交通运行状态评价方法。实验结果表明：基于T-MFCC和PSO-SVM的交通运行状态评价方法优于基于MFCC和PSO-SVM的交通运行状态传统评价方法，评价准确率提高了3.685%。
　　(3)针对传统PSO算法在优化SVM惩罚参数与径向基核函数参数时存在的容易早熟收敛和陷入局部最优的问题，定义了一些新的参数，并引入遗传算法(Genetic Algorithm，GA)和K均值聚类(K Means Clustering，KMC)对PSO算法进行了改进，改进后的PSO算法命名为GK-PSO，将GK-PSO算法用于SVM参数寻优，实验结果表明：基于MFCC和GK-PSO-SVM的交通运行状态评价方法的评价准确率相比传统评价方法提高了1.340%，相比(2)中改进方法降低了2.345%。
　　(4)将T-MFCC特征和GK-PSO算法优化的SVM分类器进行结合，提出了基于T-MFCC和GK-PSO-SVM的交通运行状态评价方法，并通过实验对比了四种不同评价方法(含传统方法)的评价准确率，实验结果表明：基于T-MFCC和GK-PSO-SVM的评价方法的评价准确率相比传统方法提高了4.690%，相比(2)中改进方法提高了1.005%，相比(3)中改进方法提高了3.350%。