海量的高速公路收费数据蕴含着丰富的交通流状态及其运行特征信息,利用数据挖掘技术对海量数据进行挖掘,提炼出有意义的交通流状态及其运行特征信息是在交通行业中大数据技术的意义所在。在不新增交通检测设备的情况下,利用数据挖掘技术对海量收费数据进行挖掘,提取交通状态参量进行交通流状态识别对解决高速公路交通拥挤有重要意义。本文首先将收费数据中包含入口和出口信息的行程时间提取出来,由车辆运行状态将行程时间分为匝道和主线两部分。其次,基于匀加速假设设计高速公路匝道行程时间估算实验对出入口匝道行程时间进行求解,并提出了基于拥挤点分析的按照路段比例分配的方法对主线行程时间进行了估算,利用收费数据对行程时间可靠性进行了论证。然后,利用分时段分路段模型求取交通状态参数行程速度,区间流量和区间密度的二维矩阵。最后设计了绘制交通流相图的方法,构造交通流相图为交通状态识别提供了支撑。本文的创新点主要有:（1）基于匀加速假设设计匝道行程时间实验,对出入口匝道行程时间进行分析,并利用实验数据验证了模型的可行性。在此基础上提出了基于拥堵点分析的按照路段比例分配的主线行程时间估算模型。（2）提出了分时段分路段模型,对单辆车在路段上的行驶轨迹进行了分析,构造交通流状态参量二维矩阵。与经典密度公式不同,本文从区间密度的定义出发,通过分时段分路段的方法以统计周期[t_i,t_i+1]内的t_i+n^*△t作为该周期的参考时刻,求解在该系列时刻,单辆车在路段上的路段归属情况,进而求取所有车辆在该时刻的路段分布。最后,利用不同统计周期参考时刻中路段车辆总数的滑动平均值与路段长度的比值,求取该统计周期参考时刻的密度,该密度是独立于行程速度和区间流量的变量。（3）利用模型求取的交通流状态参量二维矩阵,绘制流量-密度散点图和速度-密度散点图,根据自由流和拥挤流皮尔逊系数的不同以及拥挤流和堵塞流变异系数的差异,依托三相流理论设计了构造交通流相图的步骤,为交通状态识别提供依据。