路段行程时间是反映交通流运行的一个重要指标。实时或准实时行程时间数据是构建动态交通信息服务系统、信号协调控制系统以及城市交通诱导系统等ITS子系统的重要基础,也是国内外ITS研究的热点。恰当地给出实时的路段行程时间,可以为交通管理部门提供准确的道路交通数据,以便管理、调度；可以为出行者提供有意义的参考,使他们选择适合的出行路线,避免时间和金钱的浪费,同时提高路网利用率。因此,路段行程时间的实时估算对道路运行系统有重要意义。本文在对信息采集技术及数据融合理论简要介绍基础上,通过固定检测器和GPS浮动车采集到交通流信息实现对路段行程时间估计,然后运用对角回归神经网络将得到的估计值进行数据融合从而得到更为精确的路段行程时间估计值。论文完成具体内容如下所示：首先,综述交通信息采集技术以及数据融合理论。介绍了常用检测器及优缺点,分析各检测器可以检测的数据内容；然后重点对数据融合技术进行介绍,总结常用的融合算法以及数据融合理论在交通领域的应用。其次,通过单检测器获取交通流信息进行路段平均行程时间估计。分析对检测器获取信息进行预处理的必要性,并总结对于故障数据进行识别、修复的方法。然后简要介绍固定检测器获取路段行程时间方法；重点对由浮动车数据获取路段行程时间方法进行研究,引入卡尔曼滤波方法来进行浮动车路段行程时间估计,并提出用相似时间特征的历史数据来对转移系数标定。再次,在对融合方法比较基础上,选择对角回归神经网络对多源路段行程时间进行融合。详细介绍对角神经网络基础上,之前得到的单检测器路段行程时间估计值用对角回归神经网络进行融合,从而得到更加精确地路段行程时间估计值。最后,在简要介绍VISSIM仿真平台基础上,搭建仿真平台获取仿真数据,验证之前的方法。研究表明,基于数据融合的路段行程时间估计要优于单检测器估计精度,能够更好地跟踪交通流状态变化引起的行程时间波动。