研发智能交通系统(Intelligent Transportation Systems, ITS)是目前世界上各个国家交通运输领域技术发展的热点之一，交通状态的有效分类和识别是ITS非常重要的子系统和功能之一。目前交通状态的分类识别主要基于先进的信息采集技术，而视频采集器由于其成本低、易于实现自动化等优点，在该领域具有广阔的应用前景。但是，目前传统的基于交通参数的分类算法对交通状态的适应能力较差，随着拥堵程度的上升，算法的效率急剧下降，而仅将交通状态划分为若干类，并没有对历史数据进行整合，无法反映路网的实际状况，从而对交通状态做出很好的预测。针对以上问题，本文以城市快速路为研究对象，在摄像机固定方式下拍摄交通视频序列，提出了一种基于时空信息特征的交通状态分类方法，将交通状态划分为四个级别，在分类基础上实现了对交通状态的量化识别。为进行效果对比，本文从相同的时空信息中进行交通参数提取，并完成交通状态分类。然后，对本文的基于时空信息的交通参数提取、交通视觉特征提取以及交通状态量化识别三大功能算法进行了应用设计与实现。现将本文主要内容简述如下：1.基于时空信息的交通参数提取部分，首先通过感兴趣区域的划分与摄像机标定技术获取物体在真实世界中的运动信息，提取分别基于虚拟检测、跟踪线的两种时空线序列符(STI)，然后采用改进的自适应二值化方法实现时空信息中的车辆提取，在此基础上将PVI与EPI图像相结合，优化现有算法实现了对车流量、平均速度、时间占有率等交通参数的提取。2.交通状态视觉特征提取部分，本文提出一种直接从STI的PVI图像中提取视觉特征的方法。首先采取PCA去除数据间的冗余成分，然后通过交通状态预判环节为样本加入交通状态类别标签，最后使用FLD方法进一步提取图像特征。实验结果证明该方法取得了较为理想的效果，提取出的特征矩阵最大程度按类分布，从而使得后期分类更加准确、有效。3.交通状态分类与量化识别部分，采用支持向量机(SVM)构建多类分类器模型，以时空信息中提取的交通参数、视觉特征为输入因素，将交通状态分为畅通、不拥堵、拥堵、严重拥堵四个类别，在实验中给出多个核函数的分类结果验证，并在分类基础上，通过计算数据点到各分类平面的距离从而获得数据在相邻分类之间的隶属程度，然后通过归一化等方式得到具体数值，来作为交通状态的量化值。实验表明，与BP、Baysian即RBFNetwork等其它分类器进行对比，将视觉特征作为输入的SVM分类器在分类准确率上表现出明显的优势，交通状态量化值可以很好的完成对交通状态的预测。4.本文设计并实现了基于STI的MFC交通状态量化识别演示系统，以具体的城市快速路视频流为例，详细描述了系统的功能及实现方式，并通过该系统展示了本文研究与展示的所有算法。